4 Wochen dabei: Eine 10-Agenten-Marketing-Plattform bauen, während ich Nickerchen mache

UPDATE (November 2025): STRAŦUM ist jetzt live! Was als "4-Wochen-Speedrun" begann, entwickelte sich zu einer vollständigen 9-Agenten-Marketing-Intelligence-Applikation. Lies die vollständige Launch-Geschichte: STRAŦUM: Die 9-Agenten-Marketing-Applikation, die ich in 75 Tagen gebaut habe

Jetzt ausprobieren: unter stratum.chandlernguyen.com (Private Alpha – nur auf Einladung)

Sechs Tage. So lange habe ich nach dem Launch von DIALØGUE gewartet, bevor ich mein nächstes Projekt begann.

Du denkst vielleicht: "Solltest du nicht, ich weiß nicht, deinen Podcast-Generator vermarkten? Nutzer gewinnen? Bugs fixen?" Und du hättest absolut recht. Aber hier ist die Sache – ich wollte sehen, wie weit und wie schnell ich mich mit den neuen KI-Tools pushen kann. Nenn es einen Speedrun, nenn es Überehrgeiz, nenn es das, was passiert, wenn Claude Code und Gemini 2.5 Pro das Bauen wieder Spaß machen.

Der Zeitplan, der nicht möglich sein sollte

Um das in den richtigen Kontext zu setzen:

- DIALØGUE: 6-7 Monate von der ersten Code-Zeile bis zum Launch

- Marketing Suite: 4 Wochen dabei, bereits 3 funktionierende KI-Agenten, die miteinander kommunizieren

Beim Durchschauen der Git-History hatte ich am Ende des ersten Tages:

- Multi-Tenant-Architektur mit Organisation → Client → Kampagnen-Hierarchie

- Initiales React-Frontend mit Authentifizierung

- Einen funktionierenden Business Strategy Agent mit 11 verschiedenen Frameworks, die verschiedene Regionen abdecken. Diese Frameworks werden von führenden globalen/regionalen Unternehmensberatungen verwendet. Zum Beispiel:

- Supabase-Integration mit Row Level Security

Das ist mehr als ich im ersten Monat des Aufbaus von DIALØGUE erreicht habe.

Die Zahlen, die mich antreiben

Einige kurze Metriken der letzten 4 Wochen:

- Gelieferte Features: 3 vollständige Agenten + Multi-Tenant-Architektur

- Codezeilen: ~117.000 (Python: 39k, TypeScript: 58k, SQL: 20k, Javascript: der Rest)

- Datenbanktabellen: 39 (jede mit einem spezifischen Zweck – dazu später mehr)

- Git Commits: 232 (in etwa 26 Tagen)

- Konsumierter Kaffee: Frag nicht

Warum dieses Projekt eigentlich 10-mal schwieriger ist

DIALØGUE war komplex, sicher. AWS Lambda-Funktionen, Step Functions, schließlich alles zu Google Cloud Run migrieren. Aber grundsätzlich war es ein Einzweck-Tool: Podcasts generieren. Ein Nutzertyp. Ein Workflow. Ein glücklicher Pfad.

Diese Marketing Suite? Lass mich zeigen, was ich meine:

Ein reales Szenario: Eine Agentur betreut Nike und Adidas (hypothetisch). Der Strategist der Agentur nutzt den Business Strategy Agent, um Nikes Position zu analysieren. Diese Analyse wird automatisch in der strategy_outputs-Tabelle gespeichert. Wenn sie zum Persona Agent wechseln, zieht er Nikes Strategie heran, um die Persona-Entwicklung zu informieren – aber er KANN KEINE Adidas-Daten sehen. Gleichzeitig kaskadieren Nikes Brand Guidelines in der brand_guidelines-Tabelle herunter zum Content Agent, um sicherzustellen, dass jedes Inhaltsstück Nikes Stimme verwendet, nicht Adidas'.

Das erfordert:

- Eine organizations-Tabelle mit SME- vs. AGENCY-Typen

- Eine clients-Tabelle (nur für Agenturen)

- Kampagnen mit Foreign Keys sowohl zur Organisation als auch zum Client

- strategy_outputs mit Campaign-Level-Isolation

- brand_guidelines mit hierarchischer Vererbung

- Row Level Security-Richtlinien auf jeder einzelnen Tabelle

Das ist nur ein Workflow. Jetzt multipliziere das mit 10 Agenten, jeder mit eigenen Datenanforderungen.

Was tatsächlich funktioniert (und was noch Chaos ist)

Funktionierend (Die 3 Live-Agenten + Business Intelligence)

Business Strategy Agent: Das ist kein typischer SWOT-Generator. Er wendet 11 umfassende Frameworks an:

- SWOT Analysis

- Porter's Five Forces (Wettbewerbsrivalität, Lieferantenmacht, Käufermacht, Substitutionsbedrohung, Bedrohung durch Neueinsteiger)

- Business Model Canvas (9 Bausteine des Geschäftsdesigns)

- ICE Prioritization (Impact, Confidence, Ease-Bewertung)

- BCG Growth-Share Matrix (Stars, Cash Cows, Question Marks, Dogs)

- VRIO Framework (Value, Rarity, Imitability, Organization)

- Three Horizons Model (Aktueller Kern, Aufkommende Chancen, Zukünftige Wetten)

- Blue Ocean Strategy (Eliminate, Reduce, Raise, Create-Raster)

- McKinsey 7S Framework (Strategy, Structure, Systems, Shared Values, Skills, Style, Staff)

- OKRs Framework (Objectives and Key Results)

- Jobs to Be Done (Customer jobs, Pains, Gains)

Jedes Framework generiert strukturierte Daten, die in andere Agenten einfließen. Wenn du eine SWOT-Analyse durchführst, informieren die "Chancen" automatisch die Wachstumstaktiken des Marketing Strategy Agent.

Persona Agent: Generiert detaillierte Kundenpersonas mit mehr als 15 Attributen UND – hier kommt das Verrückte – du kannst sie interviewen. Ein tatsächliches Gespräch:

Du: "Was frustriert dich am meisten an aktuellen Projektmanagement-Tools?"

Persona (Tech-Startup-Gründer): "Das ständige Kontextwechseln. Ich muss Slack, dann Asana, dann unser Analytics-Dashboard prüfen. Bis ich herausgefunden habe, was Aufmerksamkeit braucht, habe ich 30 Minuten verloren."

Jede Interview-Antwort wird intelligenter, weil sie aus der persona_interactions-History schöpft. Nutzer verbringen 20-30 Minuten in diesen Interviews. Ein Nutzer sagte: "Es ist wie Fokusgruppen, aber sofort und tatsächlich nützlich."

Marketing Strategy Agent: Das ist die Brücke. Er nimmt deine Geschäftsstrategie, versteht deine Personas und erstellt umsetzbare Go-to-Market-Pläne. Er sagt nicht nur "nutze Social Media" – er ordnet spezifische Personas spezifischen Kanälen mit spezifischen Botschaften zu. Zero-Budget-Taktiken für bootstrapped Startups. 70-20-10 Budgetaufteilung für KMUs. Multi-Channel-Orchestrierung für Unternehmen.

Business Intelligence (Der verborgene Held): Jedes Gespräch mit einem Agenten extrahiert automatisch Erkenntnisse und baut organisationales Wissen auf. Sprichst du mit dem Strategy Agent über den Eintritt in den europäischen Markt? Diese Erkenntnis wird in der ai_insights-Tabelle gespeichert. Wenn du nächste Woche den Content Agent verwendest, weiß er bereits über deine europäischen Expansionspläne. Kein erneutes Erklären. Kein Kontextverlust.

Noch im Aufbau (Die nächsten 7 Agenten)

Campaign Execution Agent: Hier wird es beängstigend. Wie speicherst du API-Schlüssel für Google Ads, Meta, LinkedIn, TikTok sicher? Der aktuelle Plan umfasst verschlüsselten Speicher in der platform_credentials-Tabelle mit Audit-Logs für jeden API-Aufruf. Aber das Berechtigungsmodell lässt mich nachts nicht schlafen.

Analytics Agent: Welche APIs zuerst integrieren? Google Analytics 4? Meta Ads? LinkedIn Analytics? Die Herausforderung besteht nicht nur im Datenabruf – es geht darum, ihn plattformübergreifend zu normalisieren, damit man Äpfel wirklich mit Äpfeln vergleichen kann.

ROI & Budget Agent: Echtzeit-Tracking über mehrere Plattformen mit unterschiedlichen Attributionsmodellen. Wie stimmst du Googles datengesteuertes Attributionsmodell mit dem von Meta ab? Ich arbeite noch daran.

Die anderen 4 Agenten: Quick Wins (sofortige Möglichkeiten finden), Competitive Intelligence (ethische Wettbewerbsanalyse), Client Success (Bindungsstrategien) und Content Agent (der tatsächlich bereits funktioniert, aber noch poliert werden muss).

Die schwierigen Fragen, die mich aufhalten

- Markenname: Wie soll ich diese Applikation nennen? :P Falls du gute Vorschläge hast, schreib sie unten!

- API-Sicherheit: Wie handhabst du API-Schlüssel für mehrere Werbeplattformen, ohne ein Sicherheits-Albtraum zu werden?

- Kohärente Erfahrung: Wie lässt du 10 spezialisierte Agenten wie eine einheitliche Plattform wirken, anstatt 10 verschiedene Tools, die zusammengeklebt sind?

- und vieles mehr :)

Die Architektur-Evolution: Aus Schmerz lernen

Mit DIALØGUE habe ich auf die harte Tour über Race Conditions gelernt. Erinnerst du dich an den 3-minütigen Signup-Bug? Neue Nutzer mussten ewig warten, weil der Auth-Trigger und die Edge Function um die Erstellung desselben Nutzerdatensatzes wetteiferten.

Diesmal habe ich es von Anfang an richtig gebaut. Hier ist ein tatsächliches Beispiel von vor ein paar Tagen:

Das Problem: Der Marketing Strategy Agent muss wissen, welche Personas existieren, welche Strategien erstellt wurden und welche Brand Guidelines befolgt werden sollen – und dabei gleichzeitig vollständige Datenisolation aufrechterhalten.

Die Lösung: Anstatt jeden Agenten mehrere Tabellen abfragen zu lassen (langsam, komplex, fehleranfällig), habe ich einen Enterprise Context Service gebaut, der als einzige Quelle der Wahrheit fungiert:

// Vorher: Jeder Agent macht mehrere Abfragen
  const personas = await supabase.from('personas').select()
  const strategies = await supabase.from('strategies').select()
  const guidelines = await supabase.from('brand_guidelines').select()

  // Nachher: Ein intelligenter Service
  const context = await getEnterpriseContext(campaignId)
  // Gibt gefilterte, gecachte, korrekt begrenzte Daten in 45ms zurück

Das Ergebnis? Der Content Agent kann sofort auf Brand Voice Guidelines zugreifen, sehen, für welche Personas er schreiben soll, und die Marketingstrategie verstehen – alles in einem einzigen Aufruf, der Datengrenzen respektiert.

Der Geschwindigkeitsunterschied ist real

Der 14. September war wahnsinnig. Schau dir das tatsächliche Git-Log mit Zeitstempeln an:

08:04 AM - Migrated frontend to standardized API client
08:19 AM - Completed API standardization (100% coverage)
11:34 AM - Phase 1: Centralized route configuration
            (no more hardcoded URLs anywhere)
1:00 PM  - Phase 2: Standardized all 10 agent pages
            (consistent URL patterns like /agents/strategy/:campaignId)
1:10 PM  - Phase 3.1: Core context management
            (workspace → client → campaign hierarchy in URLs)
4:31 PM  - Phase 3.2: Navigation components became context-aware
            (breadcrumbs show "Nike › Summer Campaign › Strategy Agent")
4:38 PM  - Phase 3.3: All agents integrated with context system
            (switching campaigns preserves your place)
5:03 PM  - Phase 3.4: Testing & Polish
            (92% bundle size reduction through code splitting)

Sechs wichtige Architekturverbesserungen. Das URL-System allein hat mehr als 40 Dateien in der Codebase berührt. Vor der KI-Unterstützung wäre das ein wochenlanger Refactor mit wahrscheinlich einigen kaputten Features gewesen.

Und ich war die meiste Zeit nicht vor dem Computer :D

Es war ein Sonntag, also sind wir in die Kirche gegangen, auf den Supermarkt, haben ausgiebig mit Meeresfrüchten zu Mittag gegessen, ein Nickerchen gemacht, sind zu Costco gegangen und haben ein bisschen auf meinem iPad gespielt. Das ist dank KI-unterstütztem Coding möglich. Danke Claude Code und Gemini CLI!

Hier ist, was diese URL-Standardisierung tatsächlich für Nutzer bedeutet:

// Vorher: Kontext beim Wechseln zwischen Agenten verloren
  "/strategy" // Welche Kampagne? Welcher Client? Wer weiß?

  // Nachher: Kontext in der URL erhalten
  "/workspace/nike/campaign/summer-2025/agents/strategy"
  // Lesezeichen, teilen, aktualisieren - Kontext bleibt erhalten

Warum bauen, wenn DIALØGUE gerade erst gestartet ist?

Weil ich kann. Weil die Tools so gut geworden sind. Weil ich nach mehr als 20 Jahren in der Werbung endlich die Fähigkeiten habe, die Marketing-Plattform zu bauen, die ich immer verwenden wollte.

Aber hauptsächlich? Weil ich dokumentieren möchte, was möglich ist, wenn man Domain-Expertise mit modernen KI-Tools kombiniert. Das geht nicht darum, Entwickler zu ersetzen – es geht darum, sie zu verstärken. Vor vier Wochen hätte der Aufbau von etwas so Komplexem ein Team erfordert. Jetzt braucht es Entschlossenheit, gute KI-Assistenten und eine gefährliche Menge Koffein. (Wie ich später beim Bauen einer nativen iOS-App ohne Swift-Kenntnisse herausfand, bringt einen die KI etwa 60% des Weges – die letzten 40% des Geschmacks und der Politur sind noch vollständig menschlich.)

Was kommt als Nächstes?

Ich strebe einen Alpha-Launch im Oktober/November an. Folgendes muss passieren:

- Die verbleibenden 7 Agenten fertigstellen

- Die Kampagnenplanungs-Oberfläche bauen

- Die API-Plattform-Integrationssicherheit herausfinden

- Sicherstellen, dass der Agency-UI/Fluss sinnvoll ist

- Alles mit echten Nutzern testen (erschreckend)

Der Analytics Agent allein muss Daten aus Google Analytics, Ad-Plattformen und internen Metriken in einheitliche Dashboards aggregieren. Der ROI Agent benötigt nahezu echtzeitiges Budget-Tracking über mehrere Plattformen.

Jeder davon ist ein Projekt für sich. Aber in diesem Tempo? Es fühlt sich tatsächlich möglich an???

Möchtest du mitmachen? Ich werde weitere Updates teilen, während ich baue.

In der Öffentlichkeit zu bauen bedeutet, das Chaos zusammen mit den Siegen zu teilen. Im Moment ist es größtenteils Chaos. Aber es ist produktives Chaos, und das zählt.

Schau in einem Monat wieder vorbei. Wenn alles gut geht, kannst du eine Marketing-Plattform testen, bei der KI-Agenten die Arbeit einer ganzen Marketingabteilung übernehmen. Wenn es nicht gut geht... nun, zumindest werden die Blogbeiträge unterhaltsam sein. :P