Tanja führt durch die Grundlagen von Langdock: Was die deutsche KI-Plattform ausmacht, welche Modelle in Europa gehostet zur Verfügung stehen und wie das Preismodell funktioniert. Du siehst, wie der Admin-Bereich aufgebaut ist, welche Rollen und Skills sich vergeben lassen und wie Langdock im Vergleich zu Copilot, ChatGPT und Claude einzuordnen ist. Außerdem klären wir die DSGVO-Frage: Warum Langdock trotz US-Modellen als datenschutzfreundlich gilt.

Was Langdock ist und warum es viele Unternehmen einsetzen

Langdock ist eine deutsche KI-Plattform, die sich als KI-Betriebssystem für Unternehmen positioniert. Die Plattform selbst wird in Deutschland gehostet, die angebundenen Modelle laufen in Europa. Damit adressiert Langdock genau die Fragen, die in vielen Beratungs- und Unternehmenskontexten ständig auftauchen: Kann ich das Tool nutzen? Ist es datenschutzkonform?

Inzwischen gibt es einen echten Auftragsverarbeitungsvertrag (AVV), den du mit Langdock abschließen kannst. Dazu kommen verschiedene Zertifizierungen, die regelmäßig überprüft werden. Wichtig: Der Vertrag läuft mit Langdock – nicht mit Anthropic, OpenAI oder anderen Modellanbietern dahinter.

Ein zentraler Punkt, den du dir merken solltest: Nur weil ein Tool datenschutzkonform nutzbar ist, heißt das nicht, dass du automatisch DSGVO-konform arbeitest. Du musst weiterhin selbst entscheiden, welche Daten du wirklich an die KI gibst. Wenn du einen Namen einkopierst, frag dich: Muss dieser Name wirklich an die KI, damit sie meine Aufgabe lösen kann? Diese Verantwortung bleibt bei dir.

Alle gängigen Modelle in einer Oberfläche

Der große Vorteil von Langdock: Fast alle relevanten KI-Modelle sind unter einem Dach verfügbar – Claude, ChatGPT, Gemini, Mistral, Llama und auf Wunsch auch DeepSeek (das aber gut überlegt sein will).

Über die Workspace-Einstellungen – das Herz von Langdock – steuerst du als Admin, welche Modelle deinem Team überhaupt zur Verfügung stehen. Bei OpenAI reicht das aktuell bis GPT-5, bei Anthropic ist sogar Opus 4.x oft am selben Tag verfügbar, an dem es offiziell erscheint. Früher dauerte das deutlich länger.

Du kannst gezielt entscheiden:

• Nur die neuesten Modelle freigeben
• Ältere Modelle aktiv lassen, falls bereits Agenten darauf laufen
• Modelle aus anderen Regionen (z.B. USA) zulassen, solange keine sensiblen Daten verarbeitet werden

Preismodell und Nutzungsverbrauch

Das Standard-Business-Paket liegt bei 23,20 € pro Monat. Früher war das eine Art Flatrate, doch das war für Langdock auf Dauer nicht kostendeckend. Heute wird nutzungsbasiert abgerechnet – ähnlich wie bei Claude.

Bei jedem Modell siehst du direkt den Nutzungsverbrauch-Range. GPT-5 Mini verbraucht wenig, Opus 4.x sehr viel. Wenn du an dein Limit kommst, hast du drei Optionen:

1. Nutzungszeit dazukaufen
2. Auf das Max-Abo upgraden
3. Mit einem kleineren, günstigeren Modell weiterarbeiten

Ein praktisches Detail: Du kannst mitten im Chat das Modell wechseln, und der komplette Kontext wird übernommen. So startest du mit einem kleinen Modell für die Vorarbeit und switcht erst für die anspruchsvollen Schritte auf ein großes Modell um.

Langdock vs. Claude, ChatGPT und Copilot

Aus der Gruppe kam mehrfach die Frage: Kann ich meine anderen Abos kündigen, wenn ich Langdock habe?

Was Langdock nicht ersetzt: Claude Code und die tiefe Coding-Arbeit im Dateisystem. Für High-End-Nutzung, gerade wenn du in der Beratungsszene ganz vorne dran sein willst, brauchst du weiterhin den originalen Anbieter. Heute ist das vor allem Claude – früher war es OpenAI mit täglichen neuen Features.

Wo Langdock stark ist: Für die unternehmensweite Nutzung bietet Langdock enormen Mehrwert. Für die meisten Mitarbeitenden, die nicht in die Tiefe gehen oder mit dem Dateisystem arbeiten wollen, ist Langdock eine echte Alternative. Aktuelle Modelle sind verfügbar, und der Admin-Aufwand ist überschaubar.

Im Vergleich zu Copilot: Wenn dein Unternehmen tief im Microsoft-Ökosystem verankert ist, macht Copilot Sinn. Sonst eher Langdock. Eine Stimme aus der Gruppe brachte es klar auf den Punkt: Beides parallel im Unternehmen einzuführen ist aus Kostensicht nicht sinnvoll. Langdock ist deutlich übersichtlicher – alles in einer Plattform statt verteilt über das gesamte Microsoft-Universum. Die Admin-Konsole versteht jeder in zehn Minuten, was bei Copilot definitiv nicht der Fall ist.

Im Vergleich zu ChatGPT: Mehrere Teilnehmer berichten, dass sie ihr ChatGPT-Abo komplett gekündigt haben, weil Langdock im Alltag mehr liefert. Claude bleibt für viele wegen Coding und Cowork relevant – wobei laut Roadmap auch hier von Langdock etwas Cowork-Ähnliches kommt.

Der Admin-Bereich im Detail

Die Admin-Oberfläche ist bewusst schlank gehalten. Du kannst:

• Mitglieder hinzufügen – auch unternehmensübergreifend, was ein klarer Vorteil gegenüber Copilot ist (dort sind Tenant-Grenzen hart)
• Gruppen erstellen für unterschiedliche Berechtigungs-Setups
• Rollen vergeben (Admin, Member, etc.)

Besonders praktisch: Du kannst einschränken, was Members dürfen. Zum Beispiel: Member dürfen zunächst keine Agenten erstellen oder teilen, sondern sammeln erst einmal im Chat Erfahrung. So führst du KI gestaffelt ein, ohne dass jeder sofort alles tun kann.

Onboarding über „Erste Schritte“

Langdock liefert ein spielerisches Onboarding mit kleinen Aufgaben mit – etwa „Schreib deinen ersten Chat über zehn Fragen“ oder „Füge deine erste Datei in einen Chat ein“. So lernen Nutzer am Tun.

Du kannst zudem eigene Aufgaben ergänzen, zum Beispiel: „Beschäftige dich mit unseren KI-Leitlinien“ – optional sogar mit Test am Ende. Das ist ein cleverer Weg, KI-Einführung im Unternehmen zu steuern.

Eine aktuelle Grenze: Wenn du einen Workspace unternehmensübergreifend bereitstellst und die Mitglieder sich gegenseitig nicht sehen sollen, geht das aktuell nicht zuverlässig. Über Umwege ist die Mitgliederliste teilweise doch sichtbar.

Die DSGVO-Frage – warum Langdock als datenschutzfreundlich gilt

Aus der Gruppe kam die berechtigte Frage: Wenn hinten dran trotzdem ChatGPT oder Claude hängt – wie kann das dann DSGVO-konform sein?

Die Antworten aus der Runde:

• Modelle in Europa gehostet: Anbieter wie Microsoft Azure, Google Cloud oder AWS betreiben über ihre europäischen Töchter Rechenzentren in Europa. Die Modelle laufen dort, deine Daten verlassen den europäischen Raum nicht. Damit entfällt das Drittstaaten-Problem.
• AVV mit Langdock: Chat-Verläufe liegen auf Langdock-Servern in Europa, vermutlich in Deutschland.
• Zero-Retention-Verträge: Langdock sichert zu, dass Chats nicht von OpenAI, Anthropic & Co. gespeichert werden dürfen.

Ein wichtiger Hinweis aus der Gruppe: Bei OpenAI bekommst du EU Data Residency erst ab Enterprise, bei Anthropic ähnlich erst ab höheren Lizenzstufen. Bei Langdock hat das jeder Nutzer – ein massiver Vorteil für kleinere Anbieter und ein echtes Verkaufsargument in regulierten Branchen.

Eine Restwarnung bleibt: Der US Cloud Act kann auch europäische Töchter zur Herausgabe verpflichten. Wenn aber gar nichts gespeichert wird, ist auch wenig herauszugeben.

Coden mit Langdock – wo die Grenzen liegen

Auf die Frage, ob jemand ernsthaft mit Langdock codet: Möglich ist es, aber du bekommst keinen Zugriff aufs Dateisystem. Langdock ist rein browserbasiert. Es gibt keine Git-Versionierung, keine Command-Line-Tools, keine Agenten-Oberfläche wie bei Claude Code.

Für leichte Sachen – etwa schnell eine Landingpage – funktioniert es problemlos. Du kannst Copy-Paste oder über einen MCP-Server arbeiten. Für komplexere Projekte stößt du schnell an Grenzen. Das ist aber auch gar nicht das Versprechen von Langdock: Die Plattform versteht sich als datensichere Arbeitsumgebung, nicht als Ersatz für spezialisierte Coding-Werkzeuge.

In diesem Segment zeigt Tanja, warum Langdock für sie zur zentralen Arbeitsumgebung geworden ist – von angedockten Unternehmensquellen wie SharePoint und OneDrive über Skills und Vorlagen-Dateien bis hin zur Präsentationserstellung im eigenen Design. Du erfährst, wie sich Skills aus Claude übernehmen lassen, wie Templates die Output-Qualität anheben und welche Grenzen es bei Workspaces, Rechten und Nachbearbeitung aktuell noch gibt. Ein praxisnaher Rundgang mit ehrlicher Einordnung – inklusive Vergleich zu Gamma und Copilot.

Langdock als zentrale Arbeitsumgebung

Langdock ist im Kern mehr als ein Chat-Frontend für verschiedene Modelle. Du wählst zwar wie gewohnt dein Modell und siehst deinen Nutzungsverbrauch, doch der eigentliche Hebel liegt darin, dass du dein Unternehmenswissen direkt andocken kannst. In diesem Segment werden konkret SharePoint und OneDrive verbunden gezeigt – möglich sind ebenso E-Mails und Kalender. So kannst du im Chat fragen: „Was liegt heute an Aufgaben und Terminen an?“ – und bekommst eine sortierte Antwort direkt aus deinen eigenen Datenquellen.

Verwaltet werden diese Verbindungen zentral über den Bereich Verbindung verwalten. Dort fügst du neue Quellen hinzu oder reparierst bestehende, wenn sich etwa Admin-Rechte im Microsoft-Umfeld geändert haben.

Bilder und Grafiken – endlich nutzbar

Ein Punkt, der Langdock lange ausgebremst hat, war die Bildgenerierung. Die alten Outputs auf Basis des früheren GPT-Image-Modells wirkten „wie Kinderzeichnungen“. Das ist vorbei: Du kannst inzwischen verschiedene Modelle für Bild- und Grafikerstellung anzapfen, direkt aus Langdock heraus. Damit fällt ein wesentlicher Grund weg, parallel in anderen Tools zu arbeiten.

Skills – das Herzstück

Skills sind in Langdock so umgesetzt, wie du sie ggf. schon aus Claude oder mittlerweile auch aus Copilot kennst. Du findest sie als eigenen Menüpunkt und hast drei Wege, sie zu nutzen:

• Vorgefertigte Skill-Pakete von Langdock, z.B. ein Sales-Paket mit Unter-Skills wie Call Summarizing, die du gezielt aktivieren kannst.
• Selbst erstellte Skills, gemeinsam mit Langdock im Dialog erarbeitet oder komplett von Hand geschrieben.
• Import bestehender Skills als .md-Datei aus anderen Umgebungen wie Claude.

Skills werden entweder aktiv aufgerufen oder über Trigger-Worte automatisch eingebunden – wieder analog zur Logik in Claude.

Praxisbeispiele aus dem Call: Hochgeladen wurden u.a. PowerPoint-Präsentationsdesign-Vorgaben, ein in Claude erstelltes Voice-Profil sowie Word-Designvorgaben für bestimmte Farbwelten. Ein Skill rund um das eigene Obsidian-Second-Brain funktionierte hingegen noch nicht sauber, weil Obsidian (noch) nicht als Tool angebunden ist.

Vorlagen-Dateien als Qualitäts-Booster

Der eigentliche „Knaller“ – so die Einschätzung im Segment – sind die zusätzlich zu Skills hinterlegbaren Vorlagen-Dateien. Im Bereich Dateien siehst du alle Dokumente, die du hochgeladen oder mit Langdock erstellt hast. Du kannst dort aber auch eigene Templates ablegen, z.B. eine fertige PowerPoint-Vorlage im eigenen Design.

Im Demo-Beispiel wurde Langdock bewusst nur mit einem minimalen Prompt gefüttert („Erstelle eine Präsentation in meinem Stil zu Langdock und den Vorteilen“) – mit der klaren Ansage:

Das ist kein guter Prompt, so macht man das natürlich nicht.

Trotz dieses absichtlich schwachen Prompts liefert Langdock ein brauchbares Ergebnis, weil der hinterlegte Skill plus Template die Lücken schließt: Bildstil, Farbmuster und Layout-Vorgaben werden eingelesen, das Tool erarbeitet erst Bilder, kontrolliert sich selbst (z.B. bei Schriften und Umlauten) und liefert am Ende eine Präsentation, die als erster Wurf taugt und in PowerPoint normal nachbearbeitet werden kann.

Vergleich zu Gamma und Copilot

Die Präsentationsqualität war früher eher auf Copilot-Niveau – „sah nett aus“, mehr nicht. Inzwischen ist sie so weit, dass im Segment offen über das Ende von Gamma gesprochen wird: Das Gamma-Abo wurde „schweren Herzens gekündigt“, weil Präsentationen sowohl in Langdock als auch in Copilot mittlerweile angenehmer wirken. Auch Claudes Design-Funktion drückt zusätzlich auf Gamma. Die Empfehlung: Wer ohnehin in Langdock arbeitet, kann die Entwicklung dort weiter beobachten und seine Workflows entsprechend ausbauen – auf der Roadmap scheint zusätzliche Integration angekündigt zu sein.

Dateien direkt in Langdock weiterbearbeiten

Langdock wird auch deshalb zur Arbeitsumgebung, weil du Dateien direkt im Tool weiterbearbeiten und teilen kannst. Bei Markdown-Dateien funktioniert das direkte Editieren sauber – Text wird live geändert und gespeichert. Bei PowerPoint-Dateien aus dem Chat ist das aktuell so noch nicht möglich; dort wird die Datei eher als Vorschau-Bild dargestellt. Hier lohnt es sich, die Roadmap im Blick zu behalten.

Workspaces, Rechte und Use Cases jenseits einzelner Firmen

Aus dem Call kam die Frage, ob Langdock auch für ein Netzwerk von Selbstständigen taugt, in dem nicht alle im selben Tenant sitzen müssen. Antwort:

• Prompts lassen sich entweder privat für dich selbst oder im Workspace speichern. Alles, was in den Workspace wandert, ist für alle Workspace-Mitglieder sichtbar – feinere Sichtbarkeitseinstellungen pro Prompt gibt es so nicht.
• Wer Bereiche sauber trennen will, legt mehrere Workspaces an – im Grunde wie kleine Abteilungen oder eigene Firmen innerhalb des Netzwerks.
• Jeder Workspace kostet in der Basisversion ca. 23 € – das ist bei der Planung mitzudenken. Solange die Trennung nicht zwingend ist, kann auch ein gemeinsamer Workspace funktionieren.

Für ein Rechte-Management auf Ebene einzelner Skills, Prompts oder Agents lohnt ein genauerer Blick in die Admin-Einstellungen.

Take-aways

• Andocken statt umkopieren: SharePoint, OneDrive, Mail und Kalender direkt einbinden.
• Skills + Vorlagen-Dateien sind die zwei Hebel, mit denen du Output-Qualität wirklich steigerst.
• Importiere bestehende Skills aus Claude statt alles neu zu bauen.
• Sparring mit dir selbst: Prüfe monatlich, welche Abos du wirklich nutzt – Gamma, Copilot, ChatGPT und Langdock überschneiden sich zunehmend.
• Workspaces bewusst planen, gerade in Netzwerk-Szenarien mit mehreren Selbstständigen.

In diesem Segment öffnet sich Langdock als agentische Plattform: Integrationen, Skills, Agenten und Subagenten greifen ineinander. Du lernst den Unterschied zwischen Skills und Agenten, siehst, wie ein Orchestrator-Agent spezialisierte Subagenten koordiniert, und erfährst, warum unterschiedliche Modelle, Temperaturen und Guardrails im Multi-Agenten-Setup so mächtig sind. Konkret demonstriert am Beispiel eines SEO-Content-Briefings und den De-Bono-Denkhüten.

Vom Chat zur agentischen Arbeit in Langdock

Langdock ist mehr als ein Chat-Interface mit Pad und Präsentationsfunktion. Die Plattform lässt sich agentisch nutzen, indem du dein bestehendes Ökosystem direkt anbindest. Über den Bereich Integrationen stehen zahlreiche vorgefertigte Anbindungen bereit — von Microsoft 365 bis zu spezialisierten Tools. Wer mag, kann sein gesamtes Microsoft-365-Ökosystem hier integrieren und damit auf Copilot in den Office-Apps verzichten. Wer eine Integration vermisst, kann sie selbst über MCP oder andere Wege hinzufügen.

Integrationen lassen sich nicht nur in Agenten konfigurieren, sondern auch direkt aus dem Chat heraus aufrufen — über ein „@“ im Eingabefeld. Das ist anfangs nicht ganz intuitiv, dafür aber an praktisch jeder Stelle möglich. So kannst du im Chat etwas erarbeiten und das Ergebnis am Ende direkt in eine Excel-Zeile schreiben, ein Word- oder PDF-Dokument erzeugen lassen oder dir sogar HTML-basierte Mini-Anwendungen wie einen Budget-Tracker generieren, lokal nutzen oder den Code herunterladen.

Skills vs. Agenten – die Trennlinie

Beide Werkzeuge können autonome Aufgaben ausführen, der Unterschied ist aber wichtig:

• Skills entfalten ihre Stärke im Kontext eines Chats. Du ziehst sie gezielt hinzu — oder der Skill erkennt selbst, dass er aktiv werden sollte, und schaltet sich von allein ein.
• Agenten sind im Unternehmenskontext breiter aufgestellt. Du steuerst, wer sie sieht, unter welchen Bedingungen sie aktiv werden, welches Wissen sie haben und welche Integrationen sie nutzen. Wissensmanagement gilt im Call als das Paradebeispiel für Agenten.

Der entscheidende Hebel: Agenten können nicht nur antworten, sondern währenddessen beliebig viele Schnittstellen konsumieren, Daten holen, verarbeiten und Ergebnisse zurückschreiben oder speichern.

Agenten in Langdock konfigurieren

Die Agenten-Oberfläche fühlt sich vertraut an — ähnlich wie GPTs in ChatGPT. Zwei Besonderheiten machen Langdock im agentischen Bereich aber besonders stark:

Strukturierte Eingabefelder vorab abfragen: Du kannst dem Nutzer vor dem eigentlichen Lauf Pflichtfelder vorlegen. Das hilft besonders bei Menschen, die noch nicht lange mit KI arbeiten, weil sie so die nötigen Informationen liefern, ohne den Agenten halb leer zu starten.

Wissen über Integrationen statt Einzel-Uploads: Im Beispiel der MFA-Prüfungsvorbereitung wurde ein SharePoint-Ordner direkt angebunden, statt Dateien einzeln hochzuladen. Änderungen synchronisieren laufend — die KI arbeitet immer mit dem aktuellsten Stand. Das ist ein klarer Vorteil gegenüber klassischen GPTs.

Finale Aktion definieren: Über die Integration kannst du der KI mitgeben, was nach Erledigung passieren soll — etwa eine neue Zeile in Excel mit den erarbeiteten Werten anlegen.

Subagenten: Agentenfamilien im Zusammenspiel

Der eigentliche Kracher: Langdock erlaubt dir, Agentenfamilien aufzubauen. Ein übergeordneter Orchestrator-Agent klärt die Aufgabe und delegiert spezialisierte Teilaufgaben an Subagenten, die jeweils einen scharf geschnittenen Job erledigen und miteinander kommunizieren.

Warum dieser Aufbau Sinn ergibt, zeigt sich gut am Beispiel eines komplexen, SEO-optimierten Content-Briefings für einen Kunden. Statt alles in einen einzigen Agenten zu pressen, wurde die Aufgabe auseinandergedröselt: ein Orchestrator, dazu spezialisierte Subagenten — z. B. einer für Web-Recherche und Konkurrenzbeobachtung, einer für Analyse.

Vorteile der Subagenten-Architektur:

• Pro Subagent unterschiedliche Modelle: Du kannst gezielt festlegen, welches Modell genutzt wird — z. B. Sonnet für die meisten Aufgaben, Opus nur dort, wo es sich wirklich lohnt. Das ist ein echter Unterschied zu Custom GPTs in ChatGPT.
• Temperature steuerbar: Du regelst pro Agent, wie halluzinationsanfällig er sein darf. Recherche- oder Analyse-Agenten bekommen eine niedrigere Temperature (z. B. 0,4).
• Datenschutz und Guardrails: Jeder Subagent erhält nur die Informationen, die er für seine Aufgabe braucht. Für unkritische Teilaufgaben wäre theoretisch sogar ein Modell wie DeepSeek denkbar, solange dort keine sensiblen Daten landen.
• Kosten- und Verbrauchskontrolle: Durch die Modellwahl pro Schritt steuerst du den Verbrauch sehr granular.

So baust du Orchestrator und Subagenten praktisch auf

Methodisch denkst du zunächst vom Orchestrator her — welche Subagenten soll er aufrufen? Bauen musst du allerdings andersherum: erst die Subagenten, dann den Orchestrator. Es hilft enorm, diese Konzeption gemeinsam mit Claude oder direkt in Langdock zu erarbeiten und sich die aufeinander abgestimmten Prompts generieren zu lassen. Danach ist es ein Stück Copy-Paste-Arbeit.

Konkrete Schritte:

1. Lege jeden Subagenten als ganz normalen Agenten an, mit System-Prompt, Modell, Temperature und ggf. Aktionen wie Web-Recherche.
2. Halte die Subagenten in der Agentenübersicht visuell getrennt — z. B. ohne Icon — und stelle sie nicht für Endnutzer frei. Nur der Orchestrator soll nach außen sichtbar sein.
3. Lege den Orchestrator an. Im System-Prompt beschreibst du, welche Subagenten ihm in welcher Reihenfolge zur Verfügung stehen.
4. Füge die Subagenten unter Aktionen → Subagent hinzufügen ein. Langdock unterscheidet nicht technisch zwischen Haupt- und Subagent — jeder Agent kann beides sein.

Wichtige Einschränkung: Langdock erlaubt aktuell nur zwei Ebenen — einen Orchestrator und seine direkten Subagenten. Ein Subagent kann selbst keinen weiteren Subagenten aufrufen. Damit ist es kein vollständig selbstkonfigurierendes Multiagentensystem, aber für klare Workflows mit scharfen Guardrails ausreichend mächtig.

Speichern vs. Aktualisieren: Änderungen am Agenten werden zwar gespeichert, aber erst mit „Aktualisieren“ live geschaltet. Bis dahin arbeiten andere im Workspace weiterhin mit der bisherigen Version — ein wichtiges Detail im Unternehmenskontext.

Anwendungsbeispiel: De-Bono-Denkhüte als Multi-Agenten-System

Ein elegantes Praxisbeispiel sind die sechs Denkhüte nach De Bono. Der Orchestrator ruft einen Hut nach dem anderen auf. Jeder Denkhut-Agent kennt nur seine eigene Perspektive — mit dem dazu passenden Kontext und Wissen — und liefert seine Sicht in einem strukturierten Format zurück. Ein abschließender Agent (oder der Orchestrator selbst, im Bild der „blaue Hut“) fasst alle Perspektiven zu einem perfekten Debono-Report zusammen.

Das ersetzt das frühere, mühsame Vorgehen, bei dem man in einem einzigen Chat reihum „@GPT rot“, „@GPT blau“, „@GPT grün“ eintippen musste, um alle Sichtweisen einzuholen.

Fazit für die Praxis

Wenn du wirklich Kontrolle willst — welcher Schritt in welcher Reihenfolge mit welchem Modell und welcher Temperature passiert — sind Subagenten in Langdock ein starkes Werkzeug. Du gewinnst spezialisierte, scharf geschnittene Agenten, klare Guardrails, granulare Datenschutz- und Kostensteuerung. Der Aufwand lohnt sich überall dort, wo komplexe Aufgaben sonst in einem überladenen Einzelagenten landen würden.

In diesem Segment zeigt Tanja, wie sich in Langdock deterministische Workflows bauen lassen – inklusive eines praktischen Beispiels, das Hedi-Transkripte automatisch in LinkedIn-Beiträge und Workbooks verwandelt. Du lernst, wann Workflows gegenüber Agenten Sinn ergeben, wie Temperatur-Einstellungen die Präzision steigern, wie Nutzungslimits und Token-Kontingente gesteuert werden und wofür Prompts und Projekte als zusätzliche Ordnungsebenen taugen.

Workflows als deterministische Ergänzung zu Agenten

Neben dem Orchestrator und agentischen Abläufen bietet Langdock einen eigenen Menüpunkt Workflows. Damit lassen sich Prozesse abbilden, die immer wieder in derselben Form ablaufen sollen. Wie an anderen Stellen in Langdock kannst du dir auch hier die KI zur Hilfe nehmen: Ein kleiner KI-Chat am Rand baut den Workflow auf Zuruf, fragt notwendige Informationen ab (etwa für Webhooks) und hilft beim Debugging – ähnlich wie du es vom Coden mit Claude kennst, inklusive gelegentlicher Fehlermeldungs-Schleifen.

Wann lohnt sich ein klassischer Workflow überhaupt, wenn doch „alles agentisch“ gehen könnte? Immer dann, wenn du einen deterministischen Ablauf brauchst – einen, der anhand harter Fakten („wenn Output X, dann Weg Y“) immer gleich abläuft, unabhängig davon, ob die KI das gerade „gut findet“. Im Unternehmensumfeld behalten deterministische Workflows damit klar ihre Berechtigung. Der Versuch, dasselbe über ein Agenten- und Superagenten-System abzubilden, wäre tokenmäßig deutlich teurer und unnötig aufgebläht.

Beispiel-Workflow: Hedi-Transkript automatisiert verwerten

Tanja zeigt ein eigenes Setup, das Transkripte aus Hedi (z. B. von Vertriebsgesprächen oder Vorträgen) als Auslöser nutzt. Aus einem solchen Transkript sollen mehrere Dinge gleichzeitig entstehen:

• ein LinkedIn-Beitrag, generiert über den hinterlegten LinkedIn-Composer-Agenten
• ein Workbook mit mehreren Kapiteln, abgelegt in Google
• weitere optionale Ausgaben wie Angebote oder Zusammenfassungen

Der Workflow selbst wurde per KI-Chat in Langdock aufgebaut: Die KI sagt, welcher Webhook-Link benötigt wird und was dort mitgegeben werden muss, damit die Daten an der richtigen Stelle ankommen. In Hedi wird dieser Link hinterlegt. Nach einer Session entscheidet Tanja bewusst manuell „In Webhook exportieren“, statt alles automatisch laufen zu lassen – ein wichtiger Kontrollpunkt, gerade weil in Gesprächen Namen und sensible Themen fallen, die nicht ungefiltert in andere Systeme fließen sollen.

Im Beispiel-Lauf zieht der Workflow zunächst die Session-Informationen, verarbeitet sie und schickt am Ende eine E-Mail mit den Ergebnissen. Das fertige Workbook landet in Google und übernimmt Stil und Struktur, die ursprünglich im zugehörigen Agenten festgelegt wurden – inklusive vorgegebener Kapitel, in die Inhalte aus dem Transkript einsortiert werden.

Kosten: Tokens statt „inklusive“

Ein wichtiger Hinweis zur Abrechnung: Die im Abo angegebenen 2.000 Workflow-Durchläufe beziehen sich nur auf das Auslösen der Workflows, nicht auf deren inhaltliche Arbeit. Die eigentliche Verarbeitung wird tokenbasiert abgerechnet, ähnlich wie bei n8n, wenn dort APIs angebunden sind. Tanja berichtet offen, dass sie das anfangs übersehen hat und sich über höhere Rechnungen wunderte. Pro Prozessschritt zeigt Langdock aber transparent an, wie viele Tokens verbraucht wurden – die Beträge halten sich in der Praxis in Grenzen.

Temperatur: Präzision für sensible Anwendungsfälle

Aus der Gruppe kommt der starke Hinweis, dass die Temperatureinstellung bei Agenten in Langdock einen echten Unterschied macht. Ein Teilnehmer berichtet aus einer Verhandlungsphase rund um einen Joint-Venture- und Gesellschaftervertrag: Mit einer Temperatur von 0 bis 0,1 und sehr viel Wissen im „Bauch“ des Agenten (alle Vertragsversionen) ließ er gezielt nach No-Go-Themen suchen und Formulierungsvorschläge erzeugen. Das Ergebnis war so präzise, dass selbst sein Anwalt staunte – und er konnte deutlich Kosten sparen.

Voreingestellt liegt die Temperatur bei 0,3. Greift der Agent auf hinterlegtes Wissen zu, sollte die Kreativität bewusst niedrig bleiben, sonst „phantasieren“ die Modelle im Rahmen ihrer Wichtungen und liefern wilde Ergebnisse. Für jeden Anwendungsfall lohnt sich ein vorsichtiges Herantasten an den passenden Wert.

Inbox und Benachrichtigungen

Langdock besitzt eine eigene Inbox, in die Workflow-Meldungen, Admin-Hinweise und andere Benachrichtigungen einlaufen. Optional lassen sich Informationen auch per E-Mail oder (mittlerweile) per WhatsApp ausspielen. Damit wird die Plattform zu einem echten Arbeitsmedium, über das Kommunikation zu laufenden Prozessen gebündelt stattfindet.

Nutzungslimits, Kosten-Governance und Sessions

Im unternehmerischen Kontext ist die Steuerung der Nutzung zentral. Als Admin kannst du festlegen, was passiert, wenn Mitarbeitende ihr Nutzungslimit erreichen:

• automatisches Zurückstufen auf kostengünstige Modelle
• Möglichkeit für Mitarbeitende, zusätzliches Budget anzufragen (Meldung landet in der Admin-Inbox: „Tanja braucht noch Claude-Kontingent“)
• automatische Anpassung der Limits

Wer alleine arbeitet, kann sich zusätzliches Kontingent freischalten – im Team ist Zurückhaltung sinnvoll, sonst entgleitet die Kontrolle. Als Admin siehst du zwar nicht die Inhalte der Chats, aber die Nutzungsdaten – etwa welche User permanent Opus für alles verwenden. Daraus lassen sich gezielte Nachschulungen ableiten („wann ist Opus wirklich nötig, wann reicht ein kleineres Modell?“).

Eine Besonderheit gegenüber anderen Tools: Neben Tages- und Wochenlimits gibt es auch ein Session-Limit. Das steuert dich indirekt zu einer disziplinierteren Arbeitsweise – ähnlich der LinkedIn-Empfehlung, bei Claude für einzelne Aufgaben neue Chats aufzumachen, statt einen Mega-Chat zu fluten. Erreichst du das Session-Limit, kannst du entweder ein neues Nutzungskontingent ziehen oder einfach eine neue Session öffnen und sauber weiterarbeiten.

Prompts: nützlich, aber rückläufig

Im Bereich Prompts lassen sich gute Formulierungen speichern, in Ordnern organisieren und mit Variablen versehen. Standardmäßig sind keine Prompts hinterlegt – du fügst sie über das Drei-Punkte-Menü selbst hinzu.

Tanjas Einschätzung: Prompt-Datenbanken sind etwas, das immer mehr rückläufig ist. Unternehmen fragen zwar weiterhin danach – oft inspiriert durch Beispiele wie die Prompt-Datenbank von Neli – aber in der Praxis wandert die Wertschöpfung zunehmend in Agenten, Skills und Workflows. Prompt-Bibliotheken passen besonders zu frühen Phasen der KI-Einführung (Stichwort „TJs Phase 1″: erstmal mit der KI arbeiten, Erfahrungen sammeln), bevor in späteren Schritten strukturierte Agenten- und Workflow-Landschaften entstehen.

Projekte: dauerhafte Arbeitskontexte

Den Bereich Projekte nutzt Tanja inzwischen aktiv, nachdem sie ihn lange links liegen ließ. Projekte eignen sich für Themen, die dauerhaft begleitet werden müssen. Pro Projekt lassen sich hinterlegen:

• eine Beschreibung und Anweisungen, worum es geht
• spezifische Sachen und Inhalte (im Beispiel: der KI-Kompass)
• ein eigener Design- und Stilrahmen, in dem Outputs erstellt werden

Wichtige Einschränkung: Projekte greifen nicht automatisch auf alle in Langdock hinterlegten Dateien zu. Die KI gibt im Projekt häufig zurück „das gibt es nicht“ oder „den Skill habe ich nicht gefunden“ und arbeitet stattdessen „nach bestem Wissen und Gewissen“ mit dem, was im Projektkontext explizit verfügbar ist. Dafür laufen Outputs sauber im Projekt-Stil und sind klar auf den jeweiligen Arbeitskontext heruntergebrochen.

Externe Anbindung: Agenten nach außen bringen

Zum Abschluss kündigt Tanja den nächsten Themenblock an: Agenten lassen sich in Langdock auch nach außen zur Verfügung stellen – als Schnittstelle für Dritte oder Kundenkontexte. Ein Live-Beispiel mit einer Teilnehmerin leitet diesen Folgeteil ein.

In diesem Praxisbeispiel zeigt eine Teilnehmerin, wie sie mit Langdock-Agenten und API einen DSGVO-konformen CV-Checker für Executives und Professionals gebaut hat. Du erfährst, wie Wissensdatenbank, Temperatur-Einstellung und API-Anbindung an eine Claude-Code-Oberfläche zusammenspielen – und warum kein einziger Lebenslauf gespeichert wird. Außerdem geht es um „Bring your own Key“, eigene Modelle und die Grenzen von Langdock für Privatnutzer.

Der Anwendungsfall: KI-CV-Check für Executives und Professionals

In diesem Segment stellt eine Teilnehmerin aus dem Executive Career Coaching ein konkretes Praxisprojekt vor: einen DSGVO-konformen CV-Checker, der über Langdock im Hintergrund läuft. Der Hintergrund ist alltagsnah – viele Kandidaten kommen mit veralteten Lebensläufen ins Coaching und wundern sich, dass sie damit nicht weiterkommen. Der Grund: An jeder relevanten Stelle (LinkedIn, Bewerbermanagement-Systeme, Jobportale) sitzt heute eine KI gleich am Anfang des Prozesses und parst den CV. Was für das menschliche Auge schön aussieht, ist für die Maschine oft kaum lesbar.

Aus diesem Bedarf heraus ist ein Tool entstanden, das Lebensläufe automatisch prüft und einen Score zurückgibt – getrennt für Executive Leadership (mit Führungserfahrung, Gehaltseinschätzung) und für Professionals, jeweils auf Deutsch und Englisch.

Aufbau hinter den Kulissen: Zwei Langdock-Agenten

Technisch stehen hinter der Anwendung zwei Langdock-Agenten, die jeweils sauber aufgesetzt wurden:

• Beschreibung und Anweisungen: Sehr detaillierte Vorgaben, was der Agent tun und was er ausdrücklich nicht tun soll.
• Wissensdatenbank: Ein rund 40-seitiges Dokument, das mit Perplexity Deep Research und Claude erarbeitet wurde – die fachliche Grundlage für jede Auswertung.
• Websearch optional: Wurde getestet, aber als zu langsam empfunden – nicht primär wegen der Kosten, sondern wegen der Wartezeit für die Nutzer.
• Temperatur stark reduziert: Damit der Agent strikt im hinterlegten Wissen bleibt und nicht anfängt, sich Inhalte auszudenken oder ungewollt in eine Websuche abzudriften.

Die Logik lässt sich auf einen Satz verdichten: Hinten hängt ein Langdock-Agent mit Wissen im Bauch und eine API, die das Ganze ausspielt.

Die API-Brücke zu einer Claude-Code-Oberfläche

Das eigentlich Spannende ist die Verbindung zwischen Agent und Außenwelt. Die Web-Oberfläche, auf der Kunden ihren CV hochladen, wurde mit Claude Code gebaut und über GitHub deployt. Die KI-Verarbeitung läuft aber ausschließlich über Langdock:

1. CV wird auf der Webseite hochgeladen.
2. Die Daten werden über die Langdock-API an den Agenten geschickt.
3. Der Agent wertet aus, ein Score wird zurückgespielt.
4. Die Daten verschwinden wieder – kein einziger CV wird gespeichert, es gibt bewusst keine Datenbank dahinter.

Den API-Key findet man in Langdock unter Workspace-Einstellungen → Produkte → API. Dort lässt sich auch die Abrechnung pro Agent nachvollziehen: Jeder Aufruf von der Webseite taucht in der Nutzungsübersicht auf, sodass Kosten und Traffic direkt sichtbar werden.

Warum DSGVO der entscheidende Hebel ist

Der gesamte CV-Checker hätte sich auch komplett mit Claude bauen lassen. Der Knackpunkt: Dann wären die Bewerberdaten „irgendwann ins Nirvana geschossen worden“ – also über US-Infrastruktur gelaufen. Genau das war keine Option.

Langdock liefert hier zwei Dinge gleichzeitig:

• Sichere Agenten-Verarbeitung innerhalb des EU-Rahmens.
• API-Anbindung, die sich technisch genauso einsetzen lässt wie ein OpenAI- oder Anthropic-Key, aber datenschutzkonform bleibt.

Das Tool soll perspektivisch auch als Lead-Magnet für die AI Career Lounge genutzt werden – ein Standard-Feature jeder guten Career-Webseite, hier aber exklusiv EU-konform.

Wichtige Einschränkung: Langdock ist B2B-only

Ein wertvoller Hinweis aus der Praxis: Langdock ist ausschließlich für Unternehmer. Bei der Anmeldung wird eine USt-ID verlangt – das wurde mit dem Anbieter direkt geklärt. Für Privatpersonen oder Coaching-Kunden, die Langdock selbst nutzen sollen, ist das ein Problem.

Der Workaround: Als Unternehmer einen Workspace aufsetzen und Nutzer per E-Mail hinzufügen. Im Career-Coaching-Kontext stößt das aber an Grenzen, weil sich die Coachees untereinander nicht sehen dürfen. Deshalb wurde der Umweg über eine eigene Web-Anwendung mit API-Anbindung gewählt – die Kunden interagieren mit der Webseite, nicht direkt mit Langdock.

Bring your own Key: Eigene Modelle anbinden

Im Workspace gibt es unter benutzerdefinierte Modelle → eigenes Modell hinzufügen → manuell einrichten die Option, externe KI-Systeme über eigene API-Keys anzubinden („Bring your own Key“). Damit lassen sich z. B. Google AI Studio oder andere Modelle integrieren.

Wichtige Einordnung: Sobald du einen externen Key einbindest, ist die DSGVO-Garantie von Langdock für diesen Pfad nicht mehr automatisch gegeben – die Daten gehen dann den Weg, den der jeweilige Anbieter vorsieht. Für sensible Anwendungen sollte das bewusst gesetzt werden, etwa in Verbindung mit einem eigenen Firmen-GPT oder einem lokal gehosteten Modell.

Standards und Wechsler: OpenAI-, Anthropic- und Assistant-Format

Ein technischer Impuls für API-Nutzer: Langdock unterstützt mehrere API-Standards parallel:

• OpenAI-API-Format
• Anthropic / Claude-API-Format
• Assistant-Standard, der inzwischen an gängige Frameworks wie LangChain angeglichen ist

Das bedeutet: Wer vorher z. B. einen OpenAI-Assistenten genutzt hat, kann ihn mit überschaubarem Aufwand auf Langdock umziehen. Für Wechsler ist das ein starkes Argument.

Spin-offs aus der Runde

Im Anschluss berichtet ein Teilnehmer von einem eigenen Experiment: Er hat Langdock mit Lexware verbunden, um seine monatlichen Abos automatisch aus den Buchungen zu ziehen. Die Schnittstelle gab es offiziell nicht – sie wurde mit Hilfe von Gemini und Screenshots selbst gebaut. Auch das funktioniert und zeigt: Wo ein API-Key ist, lässt sich eine sichere Brücke zu Langdock schlagen.

Ein weiterer Hinweis aus der Runde: Wer sensible Verarbeitung (z. B. CRM-Daten, E-Mail-Aufbereitung) garantiert nicht über US-Anbieter laufen lassen will, kann statt Claude auch Mistral als Modell-Backbone nutzen – und dann in einer Agenten-/Subagenten-Architektur gezielt entscheiden, welcher Schritt wo verarbeitet wird.

Fazit: Langdock als „Maschine im Hintergrund“

Die Quintessenz dieses Praxisbeispiels: Claude Code ist hervorragend, um schnell schöne, komplexe Web-Oberflächen zu bauen – aber Langdock ist die Maschine, die die eigentliche, datenschutzsensible Verarbeitung möglich macht. Beides zusammen ergibt einen Workflow, der gleichzeitig professionell aussieht, technisch leichtgewichtig ist und EU-konform bleibt. Genau dieses Zusammenspiel öffnet die Tür für viele weitere Anwendungen – vom CV-Check bis hin zu vollständigen, agentenbasierten Coaching-Strecken.

Im Q&A-Teil des Calls geht es um die strategische Grundsatzfrage Langdock vs. Microsoft Copilot bei bestehenden E5-Lizenzen, um die richtige Einführungsstrategie für KI im Unternehmen und um die Frage: erst schulen oder direkt am Use Case lernen? Praxisstimmen aus Beratung und eigener Erfahrung liefern konkrete Empfehlungen — von der IT-Entlastung über Speed-Dates bis zur bedarfsgerechten Power-User-Begleitung.

Frage 1: Langdock oder Copilot bei bestehenden E5-Lizenzen?

Frage: Ein Teilnehmer stellt die „goldene Frage“: Langdock oder Microsoft Copilot für ein Unternehmen mit E5-Lizenzen? Welche Lösung ist wirtschaftlicher und funktional besser — trotz Copilot-Enterprise-Monatskosten, mit SharePoint-Zugriff, DSGVO-Anforderungen, Vertrieb und Wissensmanagement im Blick?

Antwort: Die ehrliche Kurzfassung lautet: Es kommt drauf an — Microsoft-Lizenzkosten sauber zu kalkulieren ist eine Wissenschaft für sich. Statt nur über Preise zu entscheiden, lohnt der Blick auf andere Hebel:

• Komplexität und IT-Aufwand: Langdock lässt sich extrem schlank einführen. In einem Praxisfall musste die IT nicht einmal in die Rechteverwaltung — es genügte die Anbindung an Active Directory bzw. die Entra-ID, danach onboarden sich die Nutzer automatisch. Wenn die IT bereit ist, Verantwortung abzugeben, ist das ein echter Entlastungspunkt.
• Challenger-Logik: Auch wenn Copilot durch die tiefe Microsoft-Integration im Konzernumfeld oft „gesetzt“ wirkt, lohnt es sich, Langdock bewusst als Challenge-Partner ins Rennen zu schicken, um eine fundierte Vergleichsentscheidung zu treffen.
• Beides parallel ist legitim: In der Praxis nutzen viele — auch die Moderatorin selbst — beide Tools nebeneinander. Präsentationen entstehen oft direkt im Copilot-/PowerPoint-Umfeld (kein Tool-Switch), während Langdock für andere Workflows die bessere Wahl ist. Steuerberatungs- und Anwaltskanzleien testen aktuell vielfach beide Lösungen parallel, auch dank monatlich kündbarer Copilot-Lizenzen.

Das größte Gewicht in der Waagschale: die Einführung

Unabhängig vom Tool gilt: Du kannst die tollste Plattform aller Zeiten haben — wenn die Einführung nicht stimmt und die Menschen nicht in die Nutzung kommen, war alles umsonst.

Es kommt nicht nur auf das Tool an, sondern auch auf die Art und Weise, wie du KI einführst.

Entscheidend ist eine behutsame, auf die unterschiedlichen Bedürfnisse der Nutzer zugeschnittene Hinführung — nicht „Tool hinstellen und hoffen“.

Frage 2: Schulung zuerst oder direkt am Use Case lernen?

Frage: Ein Teilnehmer steht vor der KI-Einführung bei einem Kunden. Ein zehnköpfiges Lab-Team ist aufgesetzt, erste Use Cases sind identifiziert, Langdock ist in der Vorauswahl gut weggekommen. Wie geht man jetzt vor — schnell am Use Case ansetzen und Learning by Doing, oder vorab umfangreich schulen?

Antwort: Die klare Empfehlung: Learning by Doing — aber mit Rahmen.

• Kick-off statt Mammut-Schulung: Ein kompakter Überblick zu Beginn — intern „Speed-Date“ genannt. Keine fünf Stunden, kein ganzer Tag, aber auch nicht nur eine halbe Stunde. Etwas dazwischen, damit alle eine gemeinsame Basis haben.
• Berechtigungen schrittweise öffnen: Gerade bei Menschen, die noch wenig KI-Berührung hatten, lohnt der Langdock-Ansatz, erst ein paar Dinge wegzuschalten, Erfahrungen sammeln zu lassen und Berechtigungen nach und nach hinzuzufügen.
• Standortbestimmung machen: Wo stehen die einzelnen Leute? Sowohl Selbsteinschätzung als auch Fremdbild helfen, die richtige Tiefe zu finden.
• Nach Aufgaben differenzieren: Je größer die Nutzerzahl, desto wichtiger zu erkennen, ob alle dasselbe tun oder völlig unterschiedliche Use Cases haben. In der Praxis zeigt sich: Bei größeren Gruppen sind die Use Cases meist sehr heterogen.
• Power-User gezielt entwickeln: Für eine Gruppe, die wirklich selbst Wissensagenten bauen wollte, brauchte es vier längere Sessions — diese Menschen sind danach echte Langdock-Power-Nutzer.

Ergänzung aus der Praxis: Konkrete Anwendungsfälle als Treibstoff

Ein weiterer erfahrener Stimme im Call (seit über zwei Jahren mit Langdock unterwegs) bestätigt: Ohne konkreten Anwendungsfall wird es schwierig. Die Empfehlung:

• Unterschiedliche Anwendungsfälle erheben, bündeln und in Gruppen mit ähnlichen Bedürfnissen gemeinsam durcharbeiten.
• Den Speed-Date-Überblick zu Beginn nicht weglassen — er liefert das gemeinsame Bild der Möglichkeiten.
• Bei reinen Deep-Dive-Theorieblöcken verliert man die Mehrheit. Die Menschen wollen hands-on wissen: „Wie mache ich das konkret?“
• Den größten Fortschritt erzeugen sichtbare erste Erfolge — sie ziehen den Rest der Organisation mit.

Take-aways aus dem Q&A

• Tool-Entscheidungen Langdock vs. Copilot nicht nur über Lizenzkosten führen — IT-Aufwand, Integration und Einführungsfähigkeit gehören mit auf den Tisch.
• Beide Tools parallel zu betreiben ist in vielen Organisationen ein realistischer Zwischenschritt.
• Die Einführungsstrategie schlägt das Tool — ohne saubere Hinführung verpufft jede Plattform.
• Start: kompakter Kick-off + echte Use Cases + schrittweise Erweiterung von Berechtigungen und Tiefe.
• Power-User aufbauen, Use Cases bündeln, sichtbare Erfolge feiern.

Hier findest du die ungeschnittene Original-Aufzeichnung des kompletten Calls. Du kannst sie ansehen oder das vollständige Transkript herunterladen — der Link wird vom Team final gesetzt.

Diese Aufzeichnung enthält den gesamten Call ohne Schnitt — inklusive Begrüßung, Pausen, Q&A und Abschluss. Sie eignet sich als Backup oder zum Nachschlagen einzelner Stellen, die in den thematischen Segmenten oben nicht enthalten sind. Das vollständige Transkript ist als Textdatei verfügbar — Link wird vom Team final hinterlegt.