Service-as-a-Software: Wie Dienstleister ihre Leistung mit KI skalieren

Von Victor 26. Mai 2026

Software-as-a-Service hat die klassische Dienstleistung in den letzten zwei Jahrzehnten verdrängt, weil es so unglaublich skalierbar ist – mit künstlicher Intelligenz dreht sich das jetzt um. Dienstleister wie Beratungen, Agenturen, Versicherungsmakler, Kanzleien oder Verwalter können ihre proprietäre Fachkompetenz und ihre Prozesse in Agenten und KI-Workflows überführen und ähnliche Skalierungseffekte nutzen. Dieser Ansatz heißt Service-as-a-Software – das Pendant zum klassischen Software-as-a-Service-Modell –, und große VC-Gesellschaften wie Sequoia Capital sehen darin das große Geschäftsmodell unserer Zeit. In diesem Beitrag zeigt Victor an einem konkreten Beispiel, wie du eine Dienstleistung schrittweise „KI-fizierst” und in dein Unternehmen trägst.

Das Wichtigste in Kürze

• Service-as-a-Software überführt Fachwissen, Prozesse und Frameworks in Skills und Agenten – so skaliert eine Dienstleistung fast wie Software.
• Ziel: Beim Menschen bleibt nur die wertschöpfende Zeit mit dem Kunden; die Durchführung übernimmt die KI, der Mensch leitet an und überprüft.
• Am Beispiel KI-Potenzialcheck: Von 12 Stunden Aufwand sind nur 2 Stunden wirklich menschlich nötig – das ergibt rund 300 % mehr Durchsatz.
• Technisch genügt ein KI-Agent wie Claude Code plus eine durchdachte Ordnerstruktur, eine CLAUDE.md, Konnektoren und wiederverwendbare Skills.

Warum Service-as-a-Software so spannend ist

Der Reiz liegt im Skalierungsfaktor. In der klassischen Dienstleistung steigt der Aufwand mit jedem Kunden – meist linear, bei schlechten Prozessen sogar überproportional. Software dagegen verursacht am Anfang hohen Aufwand (das Schreiben des Programms), wächst danach aber nur noch marginal pro Kunde – so lässt sie sich an Tausende oder Hunderttausende vertreiben.

Service-as-a-Software will ähnliche Effekte erzielen. Natürlich ist eine Dienstleistung nicht so standardisierbar wie reine Software. Die Idee: Du bietest weiterhin deine klassische Leistung an – Beratung, Akquise, was auch immer –, bündelst und verschriftlichst dabei aber dein Fach- und Prozesswissen, deine Konzepte und Vorgehensweisen und baust daraus Skills bzw. stellst dieses Kontextwissen Agenten zur Verfügung. Das Ziel: Eine Dienstleistung, für die du früher 12 Stunden gebraucht hast, kostet dich am Ende fast nur noch die Zeit, die du tatsächlich mit dem Kunden verbringst – die ein bis zwei Stunden, in denen ihr die Probleme versteht und das Ergebnis präsentiert. Die gedankliche Durchführung überlässt du weitgehend der KI und leitest sie nur an den richtigen Stellen an, bevor du das Ergebnis prüfst.

Beispiel: Der KI-Potenzialcheck

Der KI-Potenzialcheck ist mitarbytes klassisches Einstiegsprodukt – günstig, operativ schlank, gedacht, um Vertrauen aufzubauen und den Kunden kennenzulernen. So ein Produkt hat fast jeder Dienstleister. Der Ablauf: Victor setzt sich ein bis zwei Stunden live mit dem Kunden zusammen, versteht dessen Probleme und identifiziert ein bis zwei Use Cases, die eine Mehrwertgrenze überschreiten – mindestens 10.000 € pro Monat einsparen oder zusätzlich erwirtschaften. In diese Session bringt er all seine Frameworks und Erfahrungswerte ein.

Dieser Live-Teil ist ein großer Teil der Wertschöpfung – macht aber nur einen kleinen Teil des Gesamtprozesses aus. Denn danach folgen rund 10 Stunden nachgelagerter Arbeit: das Workshop-Transkript auswerten, die Use Cases sauber identifizieren und quantifizieren, die technische Machbarkeit prüfen (Schnittstellen, Datenquellen), die Mehrwertschwelle per Filter sicherstellen und schließlich PDFs und Präsentationsfolien bauen. Von den 12 Stunden ist Victor also nur bei 2 wirklich gefragt.

Genau diese 10 Stunden lassen sich der KI übergeben, wenn man ihr das Kontextwissen mitgibt: das Workshop-Transkript, die Frameworks und Methodiken sowie die Rechenbeispiele für die Quantifizierung. Baut man die nötigen Skills auf, führt man selbst nur noch den Live-Workshop durch, die KI arbeitet aus, und man prüft auf Schlüssigkeit. Weil all das ohnehin verschriftlicht ist, könnte die Überprüfung sogar ein Juniorberater übernehmen. Das Ergebnis: viermal so viele Checks in derselben Zeit – ein Zuwachs von 300 %. Theoretisch ließe sich das noch weitertreiben (ein Chatbot, der im Workshop selbst die Frameworks einbringt), aber so weit sind Kunden heute noch nicht – und die zusätzlichen 300 % genügen erst einmal.

Das technische Setup mit Claude Code

Das Setup ist im ersten Schritt einfach: Du brauchst einen KI-Agenten wie Claude Code (von Anthropic), Codex (von OpenAI) oder Antigravity (aus der Google-Welt). Diese Agenten wurden ursprünglich fürs Programmieren trainiert – und genau dadurch haben sie eine strukturierte Logik, die sich hervorragend für die Automatisierung alltäglicher Aufgaben eignet.

Zwei Hinweise zu Lizenz und Datenschutz:

• Im beruflichen Einsatz den Teams-Plan nutzen – die persönlichen Pläne erlauben laut Lizenzvertrag keine berufliche Nutzung. Beim Teams-Plan ist ein Training von KI-Modellen mit euren Daten von vornherein ausgeschlossen; selbst Behörden arbeiten damit.
• Wer ganz sichergehen will, kann Claude Code an ein eigenes Sprachmodell auf eigener Infrastruktur anbinden (z. B. Qwen) statt an die Opus-Modelle – die Qualität für Alltagsaufgaben bleibt sehr gut.

Nach der Anmeldung lädst du unter „Get Apps and Extensions” die Desktop-App herunter, damit der Agent auf deinem Computer arbeiten kann – nicht nur die Browser-Version. In der App gibt es links den Chat (wie aus ChatGPT bekannt), den wir aber nicht meinen: Wir wechseln zu Claude Code, dem eigentlichen Agenten.

Arbeitsplatz und Ordnerstruktur

Der Agent braucht einen Arbeitsplatz auf dem Computer. Dafür legst du einen Ordner an – etwa „AI Workspace” – und arbeitest darin. Sagst du „erstelle mir ein Dokument, in dem steht hallo”, erscheint es als Markdown-Datei (neben HTML das Format, mit dem KI am liebsten arbeitet). Bewährt hat sich folgende Struktur:

• Unternehmen: Hier liegen alle Wissens- und Prozessdateien, Produkt- und Kundenbeschreibungen – damit der Agent möglichst viel Kontextwissen über das Unternehmen aufbaut. Dieser Ordner lässt sich im Team oder der Abteilung teilen, sodass alle Agenten denselben Kontextpool nutzen (Rollen und Berechtigungen sind ein gelöstes Problem).
• Second Brain: Alles, was nicht direkt mit dem Unternehmen zu tun hat – persönliche Präferenzen, eigene Frameworks oder Wissen, das man erst noch durchdenken muss, bevor es in den Unternehmensordner wandert.
• Aufgaben: Hier werden die täglichen Aufgaben abgearbeitet.

Das wichtigste Steuerungsdokument ist die CLAUDE.md. Statt sie selbst zu schreiben, weist man den Agenten an, sie zu erstellen – mit der Beschreibung der Ordnerstruktur und der Bitte, im Internet zu Best Practices für CLAUDE.md-Dateien zu recherchieren und Rückfragen zu stellen. Gerade am Anfang empfiehlt sich der Modus „Ask permissions”/„Accept Edits”, damit der Agent vor jeder Aktion nachfragt und nichts Ungewolltes tut. Das Ergebnis ist ein zentraler Arbeitsordner mit klarer Struktur, in der der Agent dann arbeitet.

Konnektoren, Skills und eigene Agenten

Damit du produktiv arbeitest, willst du Daten nicht manuell hineinziehen (etwa PDFs aus SharePoint). Dafür gibt es Konnektoren – einige sind vorgebaut (z. B. Microsoft 365), eigene lassen sich ergänzen. Damit hast du die Datenintegration in deine Systeme. Erlaubt ein System keine solche Integration, ist ein Systemwechsel womöglich eine strategische Überlegung wert.

Im Beispiel soll ein Fireflies-Transkript anhand fester Vorgehensmuster ausgewertet werden: „Zieh dir das Transkript aus dem Gespräch mit Kunde Mustermann und hilf mir, unseren KI-Potenzialcheck durchzuführen.” Dafür legt man einen Skill an – im Grunde eine Automatisierung, bei der der Agent sich selbst eine Prozessbeschreibung schreibt und bei Bedarf kleine Tools (etwa für Berechnungen) baut. Man durchläuft den Prozess einmal, gibt an jeder Stelle die Frameworks und das Kontextwissen mit und sagt am Ende: „Erstelle einen Skill namens KI-Potenzialcheck.” Danach lässt er sich beliebig abrufen. Bei mitarbyte sind bereits über 120 Skills im Einsatz – für Figma-Boards, Präsentationen im eigenen Stil, Zugriff auf Google Drive, Gmail-Versand und mehr.

Zusammengefasst: Du hast einen KI-Agenten auf dem Computer, baust eine Ordnerstruktur auf, die das Wissen aus den Köpfen verschriftlicht, arbeitest damit Aufgaben ab und gießt sie in Skills. Mehrere Skills lassen sich zu einem Agenten bündeln, der teilautonom arbeitet. Über Routinen führst du Skills regelmäßig aus – etwa jeden Morgen ein Briefing oder alle zwei Stunden das Postfach prüfen und neue Anfragen ins CRM schreiben.

Fazit: Schritt für Schritt KI-Assets aufbauen

So entsteht über die Zeit ein Satz an KI-Assets, mit dem ein Dienstleistungsunternehmen seine Leistung Stück für Stück in Software fasst – und Skalierungseffekte mitnimmt, die man sonst nur von Software-as-a-Service kennt. Das Ziel bleibt: skalierbarer werden, die Qualität halten oder steigern und die Abhängigkeit von einzelnen Personen reduzieren.

Diese Arbeitsweise – ein KI-Agent plus strukturierte Wissensordner – ist im Kern ein KI-Betriebssystem, das sich auch über die reine Dienstleistung hinaus nutzen lässt.

Schau dir das vollständige Video oben an, um das komplette Setup in Claude Code Schritt für Schritt zu sehen. Wenn du Service-as-a-Software für dein Unternehmen umsetzen willst, findest du in der Videobeschreibung den Link – mitarbyte hat den Ansatz bereits in mehreren Dienstleistungsunternehmen etabliert.

Häufig gestellte Fragen

Was bedeutet Service-as-a-Software?

Service-as-a-Software bezeichnet das Überführen einer klassischen Dienstleistung in KI-Skills und Agenten. Statt die Leistung rein manuell zu erbringen, verschriftlichen Dienstleister ihr Fach- und Prozesswissen, ihre Frameworks und Vorgehensweisen und geben sie einem KI-Agenten als Kontext. So lässt sich die Dienstleistung ähnlich skalieren wie Software – das KI-Pendant zum klassischen Software-as-a-Service-Modell.

Wie viel Zeit spart Service-as-a-Software konkret?

Am Beispiel des KI-Potenzialchecks: Von rund 12 Stunden Gesamtaufwand sind nur etwa 2 Stunden wirklich menschlich nötig (der Live-Workshop mit dem Kunden). Die restlichen 10 Stunden – Transkriptauswertung, Quantifizierung, Machbarkeitsprüfung, Foliengestaltung – übernimmt die KI mit dem passenden Kontextwissen. Das ermöglicht etwa viermal so viele Durchläufe in derselben Zeit, also rund 300 % mehr Durchsatz.

Welche Tools braucht man für den Einstieg?

Im Kern einen KI-Agenten wie Claude Code (Anthropic), alternativ Codex (OpenAI) oder Antigravity (Google). Für den beruflichen Einsatz sollte man den Teams-Plan nutzen, der ein Training mit den eigenen Daten ausschließt; alternativ lässt sich ein eigenes Modell auf eigener Infrastruktur anbinden. Dazu kommen eine durchdachte Ordnerstruktur, eine CLAUDE.md zur Steuerung, Konnektoren zur Datenintegration und wiederverwendbare Skills.