Vom Chatbot zum Sparringspartner: Mein Experiment mit einem AI Growth Agent

Ich möchte keinen weiteren Chatbot, dem ich bei jedem Gespräch erneut erklären muss, woran ich arbeite. Ich möchte einen Sparringspartner, der meine Ziele kennt, meine Fortschritte verfolgt und bemerkt, wenn ich mir zum dritten Mal dieselbe Ausrede erzähle.

Genau das ist der Ausgangspunkt eines Experiments, das ich vorläufig AI Growth Agent nenne. Es geht nicht um ein fertiges Produkt und nicht um den Anspruch, mein Leben vollständig digital abzubilden. Es geht um eine praktische Forschungsfrage: Kann eine KI über einen längeren Zeitraum tatsächlich als anspruchsvoller Sparringspartner dienen – oder bleibt sie trotz Gedächtnis, Datenzugriff und Voice-Interaktion letztlich nur ein überzeugend formulierender Assistent?

Diesen Beitrag schreibe ich am Anfang dieses Experiments. Ich habe noch keine abschliessenden Ergebnisse. Was ich habe, ist eine klare Absicht, eine wachsende Architektur und eine Lücke zwischen Vision und Alltag, die ich bewusst sichtbar machen will.

Warum ich dieses System baue

Meine bevorzugte Art, mit einem solchen System zu arbeiten, ist kein Formular und kein Dashboard. Es ist ein natürliches Gespräch – idealerweise per Voice. Die Vorstellung ist einfach: Am Abend spreche ich mit dem Agenten. Wir gehen gemeinsam durch, was ich heute getan habe, was ich erreichen wollte, was funktioniert hat und wo ich ausgewichen oder stecken geblieben bin. Wir prüfen, was ich wirklich verstanden habe, welche Annahmen sich bestätigt oder widerlegt haben und was der sinnvollste nächste Schritt ist.

Aus diesem Gespräch soll ein strukturierter Recap entstehen. Der Recap wird gespeichert und erweitert das Arbeitsmodell, das der Agent von meiner aktuellen Situation besitzt. Beim nächsten Mal soll er nicht wieder bei null beginnen. Er soll anknüpfen können – an Ziele, offene Fragen, frühere Entscheidungen und wiederkehrende Muster.

Was ein AI Growth Agent für mich leisten soll

Der Agent soll mich langfristig bei privater und beruflicher Entwicklung begleiten. Er soll meine Ausgangssituation kennen, meine Ziele verstehen und meine Aktivitäten sowie Entscheidungen mitverfolgen. Er soll regelmässige Reflexionsgespräche führen, meinen Wissens- und Kompetenzstand prüfen, Fortschritte und Blockaden erkennen und Zusammenhänge über längere Zeiträume sichtbar machen. Vor allem soll er mir als kritischer Sparringspartner widersprechen können – nicht aus Prinzip, sondern wenn meine Annahmen, Prioritäten oder Ausreden nicht zusammenpassen.

Dabei geht es mir nicht um eine perfekte Single Source of Truth über mein Leben. Das System hält ein strukturiertes Arbeitsmodell meiner Realität. Es enthält nur das, was der Agent braucht, um mich sinnvoll zu begleiten: Ziele, Projekte, Aktivitäten, Entscheidungen, Wissensstände, Assessments, Erkenntnisse, Hindernisse, offene Aufgaben, nächste Schritte und Veränderungen im Zeitverlauf. Das Modell muss nicht vollständig sein. Es muss nützlich, nachvollziehbar und aktualisierbar sein.

Aktivität ist nicht gleich Kompetenz

Ein zentraler Gedanke des Projekts ist die Trennung zwischen Aktivität und tatsächlicher Kompetenz. Zwei Stunden Lesen oder ein Kursmodul beweisen zunächst nur, dass ich mich mit Material beschäftigt habe. Sie beweisen nicht, dass ich es erklären, anwenden oder auf eine neue Situation übertragen kann.

Deshalb unterscheidet das System zwischen dem, was ich getan habe, und dem, was ich tatsächlich kann. Aktivität kann heissen: ein Kapitel gelesen, ein Video angesehen, eine Stunde gelernt, eine Übungsprüfung bearbeitet oder Vokabeln wiederholt. Kompetenz zeigt sich anders: einen Begriff korrekt erklären, Zusammenhänge darstellen, ein Konzept anwenden, ein praktisches Problem lösen oder Wissen transferieren.

Der AI Growth Agent soll mich deshalb aktiv prüfen können. Er stellt Fragen, analysiert Antworten und aktualisiert den Wissensstand differenziert – nicht nur als beliebige Prozentzahl. Sinnvoller ist eine Unterscheidung zwischen Wiedererkennen, eigenständigem Erklären, Anwenden, Transfer und der Sicherheit beziehungsweise Konfidenz der Einschätzung.

Wissensquellen und eigene Dokumente

Ich möchte wissenschaftliche Paper, Artikel, Dokumentationen, Buchkapitel, Notizen und andere Lernmaterialien anbinden können. Diese Dokumente sollen nicht nur archiviert werden. Der Agent soll Inhalte und Struktur erkennen, zentrale Themen identifizieren, die Quelle mit Projekten und Lernzielen verbinden, Fragen daraus ableiten und mich auf Grundlage genau dieser Quelle prüfen. Wissenslücken sollen sich Abschnitten oder Themen zuordnen lassen, und spätere Aussagen sollen sich auf die ursprüngliche Quelle zurückführen lassen.

Ein typischer Dialog wäre: Ich habe mich heute mit diesem Paper beschäftigt. Prüfe bitte, ob ich die zentrale Argumentation verstanden habe. Der Agent stellt daraufhin Verständnis-, Anwendungs- und Transferfragen. Die Ergebnisse werden mit dem Dokument, dem jeweiligen Thema und meinem Kompetenzstand verknüpft. So speichert das System nicht nur, dass ich etwas gelernt habe, sondern woraus ich gelernt habe, welche Teile ich verstanden habe, wo meine Interpretation noch schwach ist und wann das Thema erneut geprüft werden sollte.

Das technische Modell

Technisch denke ich den AI Growth Agent als übergeordnete intelligente Instanz – als Coaching-Erfahrung und Orchestrierung. Dahinter liegt eine zentrale Eingangsschicht. Sie kennt meine Projekte, Ziele, aktuelle Situation, relevante Recaps, Wissensstände und verfügbare spezialisierte Dienste. Sie kennt auch die Zuordnung von Projekten zu benötigten Fähigkeiten.

Neben oder hinter dieser Eingangsschicht können spezialisierte Dienste existieren: ein Language MCP für Vokabeln und Sprachlernen, ein Learning MCP für Assessments und Wiederholungsplanung, ein Document Service für Paper und Wissensdokumente, ein Calendar Service für geplante Reviews, später vielleicht ein Fitness Service oder weitere Fachbereiche. Die zentrale Schicht entscheidet anhand der benötigten Fähigkeit, welcher Dienst angesprochen wird.

Warum MCP wichtig ist – aber nicht der eigentliche Agent

MCP, das Model Context Protocol, ist in diesem Bild nicht der Agent. MCP ist eine standardisierte Verbindung zwischen der AI-Anwendung und externen Daten oder Funktionen. Eine Formulierung, die für mich passt: Der AI Growth Agent ist der Sparringspartner. MCP bildet einen Teil seines Nervensystems. Nüchterner gesagt: Der Growth Agent verwendet eine MCP-basierte Tool-Architektur, um auf spezialisierte Datenquellen und Funktionen zuzugreifen.

Das Routing soll fachlich über Capabilities erfolgen, also über Fähigkeiten. Ein Projekt beschreibt, welche Fähigkeiten es benötigt. Ein angebundener Service beschreibt, welche Fähigkeiten er anbietet. Das Projekt Spanisch lernen braucht zum Beispiel vocabulary_management, vocabulary_testing, spaced_repetition und language_progress. Ein Language MCP kann genau solche Fähigkeiten bereitstellen, ergänzt um grammar_assessment oder ähnliche Funktionen. Die zentrale Routing-Logik findet den passenden Provider und ruft ihn auf.

Das ist flexibler, als konkrete Servernamen fest mit Projekten zu verdrahten. Ein Dienst kann später ausgetauscht werden, solange ein neuer Dienst dieselbe fachliche Fähigkeit bereitstellt. Ich möchte möglichst nicht im Chat manuell mehrere MCP-Server auswählen und selbst entscheiden müssen, welcher Server für eine Anfrage benötigt wird. Die Eingangsschicht ist ein Orchestrierungs- beziehungsweise Gateway-Konzept – keine Behauptung, dass MCP-Server grundsätzlich hintereinander geschaltet werden müssen.

Die derzeitige Lücke zwischen Voice und MCP

Der gewünschte Endzustand ist klar. Ich starte ein Voice-Gespräch. Der Agent ruft währenddessen selbstständig aktuelle Projektdaten ab, prüft Behauptungen gegen gespeicherte Informationen, verwendet bei Bedarf spezialisierte MCP-Dienste und schreibt am Ende den strukturierten Recap zurück. Dieser durchgängige Ablauf funktioniert in der aktuell verwendeten ChatGPT-Voice-Erfahrung noch nicht so, wie ich ihn mir wünsche.

Zum Zeitpunkt meines Experiments kann ich in ChatGPT entweder mit der angebundenen MCP-Anwendung arbeiten oder die gewünschte Voice-Erfahrung nutzen – aber noch nicht beides nahtlos miteinander kombinieren. Laut aktueller OpenAI-Hilfe zu ChatGPT Voice unterstützt der Live-Voice-Modus Connected Apps zunächst nicht. Die entscheidende Lücke liegt aktuell nicht im Datenmodell, sondern an der Schnittstelle zwischen Voice und den angebundenen Werkzeugen. Das ist ein zeitabhängiger Plattformstand und keine permanente technische Unmöglichkeit. Eine eigene Implementierung über die Realtime API wäre denkbar, wäre aber ein separates, potenziell kostenintensiveres Projekt und ist nicht Gegenstand meines aktuellen Prototyps.

Mein aktueller Workaround

Bis Voice direkt auf die benötigten Tools zugreifen kann, verwende ich einen manuellen Brückenprozess. Vor dem Voice-Gespräch erzeugt das Growth-System ein kompaktes Projekt-Briefing: Ausgangssituation, aktives Ziel, aktueller Projektstand, letzte relevante Aktivitäten, bekannte Stärken, offene Wissenslücken, aktive Hypothesen, ungelöste Blockaden, offene Aufgaben und das Ziel der bevorstehenden Session. Dieses Briefing füge ich vor Beginn in den Chat-Kontext ein.

Während des Gesprächs kann ich frei sprechen. Die KI kennt den zuvor geladenen Projektzustand, kann jedoch nicht beliebig neue Informationen aus meinen MCP-Systemen nachladen oder direkt zurückschreiben. Nach dem Gespräch entsteht ein strukturierter Recap. Den übergebe ich wieder an das Growth-System. Dort werden Aktivitäten, Erkenntnisse, Kompetenzstände, Entscheidungen, Action Items, Pläne für den nächsten Tag und mögliche Zielveränderungen aktualisiert.

Der Prozess ist noch nicht vollständig automatisiert. Er ermöglicht aber bereits, die eigentliche Forschungsfrage zu untersuchen: Wird das Coaching durch strukturiertes Langzeitgedächtnis tatsächlich besser?

Der manuelle Prozess ist Teil des Experiments

Ich will diese Limitierung nicht nur negativ sehen. Der Zwischenschritt zwingt mich dazu, klar zu definieren, welche Informationen der Agent wirklich benötigt. Dadurch entstehen die wichtigeren Fragen: Wie viel Kontext ist genug? Was muss dauerhaft gespeichert werden, und was ist nur situativer Gesprächsinhalt? Welche Aussagen sind Fakten, welche Interpretationen? Wie verhindert man, dass falsche Einschätzungen dauerhaft fortgeschrieben werden? Wie viel Vergangenheit verbessert das Coaching – und ab wann wird zusätzlicher Kontext nur noch Ballast? Welche Veränderungen darf die KI selbst vornehmen, und was sollte ich vor dem Speichern bestätigen?

Diese Fragen sind für einen echten langfristigen AI-Sparringspartner wichtiger als eine möglichst grosse Datenmenge. Technischer Zugriff auf meine Vergangenheit ist noch kein Beweis dafür, dass die KI meine Situation wirklich versteht.

Was ich wirklich testen möchte

1. Erzeugt Langzeitkontext tatsächlich bessere Gespräche – oder wirkt die KI nur deshalb überzeugender, weil sie frühere Begriffe und Ziele wiederholt?
2. Kann sie echte Muster erkennen, zum Beispiel dass ich regelmässig ähnliche Vorhaben plane, aber an derselben Stelle nicht umsetze?
3. Kann sie konstruktiv widersprechen, Annahmen prüfen und unangenehme Fragen stellen, statt jede Idee zu bestätigen?
4. Kann sie zwischen Aktivität und Fortschritt unterscheiden? Viel Beschäftigung ist nicht automatisch Entwicklung.
5. Kann sie meinen Wissensstand realistisch einschätzen – nicht nur beim Wiedergeben von Begriffen, sondern bei Erklären, Anwenden und Transfer?
6. Wie verändert sich ein Ziel im Laufe des Prozesses? Ein gutes Coaching-System darf nicht blind an einem einmal formulierten Ziel festhalten, wenn neue Erkenntnisse Zeitrahmen oder Strategie infrage stellen.
7. Wie viel Struktur braucht ein persönlicher AI Agent überhaupt? Reichen gute Recaps und Projektdokumente, oder braucht es ein detailliertes Datenmodell mit Assessments, Topics, Aktivitäten und historischen Zuständen?
8. Wann wird aus einem Assistenten ein Agent? Nicht jede Anwendung mit einem LLM und einigen Tools ist automatisch autonom. Mein System beginnt bewusst als gesteuerter AI-Sparringspartner mit Gedächtnis und Werkzeugzugriff. Agentischer wird es dort, wo das System selbstständig relevante Informationen auswählt, passende Tools aufruft, Ergebnisse zusammenführt, Zustände aktualisiert, nächste Schritte ableitet und über mehrere Sessions hinweg konsistent auf ein Ziel hinarbeitet. Bei wichtigen Änderungen soll die Kontrolle trotzdem bei mir bleiben.

Risiken und offene Fragen

Die KI kann falsche Muster erkennen. Eine überzeugende Formulierung ist kein Beweis für eine richtige Analyse. Selbstbewertungen können ungenau sein, und automatisch erzeugte Kompetenzwerte wirken objektiver, als sie sind. Veralteter oder falscher Kontext kann spätere Gespräche verzerren. Persönliche Entwicklungsdaten sind sensibel. Ein Agent darf nicht zur unkritischen Autorität über persönliche Entscheidungen werden. Zu starke Strukturierung kann spontane Entwicklung und Nuancen verlieren. MCP löst die Verbindung zu Daten und Tools, aber nicht automatisch die Qualität des Coachings. Ein Gedächtnis macht eine KI nicht automatisch weise.

Ausblick

Das System befindet sich im Aufbau. Die Architektur ist ein Mittel, nicht das Ziel. Entscheidend ist nicht, wie elegant Capabilities geroutet werden, sondern ob die Gespräche und Entscheidungen mit der Zeit nachweisbar besser werden. In weiteren Beiträgen möchte ich konkrete Erfahrungen, Fehlschläge und Ergebnisse dokumentieren – ohne vorab zu behaupten, dass das Experiment gelingt.

Vielleicht entsteht daraus tatsächlich ein persönlicher Sparringspartner. Vielleicht baue ich auch nur eine sehr aufwendige Datenbank, die mir in freundlichen Worten erzählt, was ich ohnehin schon weiss. Genau das möchte ich herausfinden.