# European AI Venture Strategy and Market Gaps

**Podcast:** Tech and Tales
**Published:** 2026-02-07

## Transcript

Tech and Tails.
Herzlich willkommen zur 66.
Folge von Tech und Tails.
Mein Gast heute ist Rasmus Rothe.
Und Rasmus ist der Co-Founder und CEO von Merantex zusammen mit Adrian Locher und staht quasi im Zentrum des Berliner AI-Öcosystems, wenn man so möchte.
Aber erzählt doch mal kurz so, was ist euer Fokus und stell dich noch einmal kurz vor.
Klar, super gerne.
Ich bin Rasmus Rote, habe Merantix jetzt mittlerweile vor neun Jahren mit dem Adrian zusammen gegründet.
Kurz da sind dann noch Nicole und Janette dazugekommen.
Wir sind gestartet, wirklich mit dem Ziel, KI in Europa voranzutreiben.
Haben das am Anfang eigentlich eher so als AI Consulting Bude gemacht, dann aber auch erste Produkte ausgegründet.
Und dann haben wir gemerkt, okay, wir wollen mehr auch Produktfirmen an den Markt bringen, weil wir da auch sehr viel Potenzial dran sehen.
Und dann 2021 angefangen aus einem ersten Fonds zu investieren und investieren jetzt aus dem zweiten Fonds, wo wir sowohl Firmen inkubieren als auch sehr early als Preset Investor investieren.
Und quasi alles, was B2B ist, was KI ist in allen vertikalen von Tech Bio über Industrials, über FinTech, über Cyber Security und sind jetzt mittlerweile mit Merantix sozusagen einerseits als Investor unterwegs, da verbringe ich die meisten Zeit, aber das Services Business, the Consulting Business, Mirantix Momentum, was Nicole aufgebaut hat, it's out.
Das wächst auch sehr stark, weil natürlich auch viel Bedarf in der bestehenden Industrie ist.
Und das dritte, was wir machen, dass wir auch gemerkt haben, was that man eben die Leute zum Austausch zueinander bringen muss, dass die verschiedenen Stakeholder im Bereich KI feel reden sollten.
So the investor, the technika, the Kunden, the Regulatoren.
And for this hintergrund, for five years, an AI Campus in Berlin gestarted, where we have a physical art and quasi unsere portfolio firm, but other firms bring and so Austausch, but also business to generate.
Yeah, super nett.
I have this year to schätze gewiss.
And it's like Nicole is Nicole Büttner, who in the FDP active is.
I have you all in Davos.
That was super nice.
And you have tatsächlich, you were teiling the AI houses, with the ETH.
Also, that's you are really integrated in the European ecosystem, which I think.
And I think it's also funny that you have three, so it's also the campus, the campaign, and the funds, beziehungsweise the venture investments.
And I have an idea where venture invested, beziehungsweise in KI Ventures, in Deutschland in the way to the USA.
And the 525th area, but insam would be global, and when many, also I have the investments of the Hyperscaler in Chips and Data Center.
This is kind of software, and this is einfach am Ende In 2025 wurden ungefähr 250 Milliarden in KI investigators, in US-based companies.
And in Deutschland wurden 2025 2 Milliarden of Startups, AI startups are the Frankreich.
I thought it was done there.
But the other is it concentrated with firms.
And 300 million on Black Forest Labs.
That's the USA or global investigation high wesently.
What is so dangerous?
Yeah, so I thought we can in Europa or in Deutschland auch nicht verstecken.
So I mean we have super talent here, and when it's um the verschiedenen use cases of KI get in the industry, have we got so many that with the problem sozusagen sehr gut auscan.
Natürlich ist das Venture Ökosystem and weniger Kapital hier, also the Venture Ökosystem kleiner and weniger Kapital here.
Ich glaube, in den USA wird es auch noch weiter wachsen.
Ich glaube, wir müssen einfach gucken, dass der relative Abstand nicht größer wird.
Also, dass wir jetzt nächstes Jahr oder dieses Jahr aufholen und genauso viel investieren in die USA, ist, glaube ich, ziemlich unwahrscheinlich.
Aber dass wir es schaffen, irgendwie vielleicht den Abstand ein bisschen zu verkleinern, that wäre mein Hoffen.
Wie kommen wir dahin?
Also gibt es was sind sozusagen eure Pläne auch?
Ja, ich glaube, Kapital ist schon relativ effizient.
Also die meisten US-Investoren schauen sich ja auch die spannenden Firmen an.
Und wenn du die Firmen, die du gerade genannt hast, Black Forest Lab, Helsing, Deeple, irgendwie Paloa, also die ein bisschen größeren KI-Firmen.
Ich meine, da sind ja durchaus auch amerikanische Investoren zum Teil drin.
Also das heißt, ich glaube, wenn man eine gute Idee hat und Traction mag, dann findet man auch, egal ob von Europäern oder Amerikanern Geld hier, es braucht einfach, glaube ich, noch mehr Gründer und Gründerinnen, die sozusagen neue Firmen aufbauen hier und schnell skalieren wollen und wirklich auch große Firmen aufbauen wollen.
Dann glaube ich, kommt auch Kapital.
Also in den USA ist es halt immer noch so, dass von den Unis irgendwie gefühlt jeder Gründer werden woll.
In Deutschland wird es jetzt ein bisschen besser, aber es ist halt immer noch eine kleinere Fraction sozusagen der Leute.
Und das muss einfach mehr werden.
Und das andere, den anderen großen Challenge, den ich hier sehe, ist, ist, dass einfach die bestehende Industrie, also sozusagen die Kunden von KI-Firmen, wenn man jetzt im B2B-Kontext schaut, einfach viel langsamer und zackhafter sind.
Also wir haben ja auch einige Portfoliofirmen, die sowohl in Europa als auch in den USA aktiv sind.
Und wir sehen halt, dass die US-Kunden viel schneller größere Tickets lösen bei den Startups.
Und das gibt mehr Umsatz.
Das wiederum macht Finanzierungsrunden einfacher.
Und deswegen ist es glaube ich super wichtig, dass da unsere traditionelle Industrie, der Mittelstand, aber eben auch die DAX-Konzerne, da noch mehr ins Risiko gehen und auch Sachen einfach ausprobieren, mit Startups zusammenzuarbeiten.
Weil es ist ja nicht so, dass in Amerika die mittelständischen Unternehmen irgendwie Charity machen und sozusagen Geld verschenken an Startups, sondern die machen das auch, weil sie sehen, das bringt ihnen einen Mehrnutzen.
Und ich glaube, dass diesen Gedanken würde ich mir auch noch mehr in Deutschland wünschen.
Auf jeden Fall, ich habe das selber zu Genüge gesehen, dass die Sales-Zyklen innerhalb Deutschlands halt exorbitant lang waren.
Also zwischen 12 und 18 Monate für so ein B2B SARS-Produkt ist mehr als schmerzhaft.
Und wenn du dann im Vergleich dir die USA anguckst, dann wird innerhalb von wenigen Wochen entschieden.
Ich meine, so schnell ist man auch wieder draußen, wenn man nicht liefert, was okay ist, weil was den ganzen Markt halt viel agiler macht und viel beweglicher.
Aber dieses lange Abwarten und dieses zögerliche und ohne Mut einfach mal, also auch keine Entscheidung zu treffen.
Das ist, ich glaube, das ist eines unserer größten Schwächen tatsächlich in Deutschland.
Aber das ist ja sehr fixable, weil wir haben ja die Talente, ja, wir haben das Ökosystem eigentlich.
Wir haben auch die Funds.
Also ich meine, ihr habt gerade herzlichen Glückwunsch übrigens, ihr habt gerade euren Fund zu Ende gerast, richtig?
Yes, genau.
Genau, also es ist jetzt größer geworden auch als die initialen 100 Millionen, aber nicht viel größer.
Also, das ist genau die Größe, mit der wir auch uns wohlfühlen, jetzt zu investieren, weil wir halt sehr, sehr früh reingehen.
Also wir investieren normalerweise so um die Millionen Euro, sind immer der erste institutionelle Investor.
Das heißt, das ist meistens, wenn ein Team gerade losgelegt hat, vielleicht ein paar Kunden hat, aber teils auch noch Pre-Revenue ist.
Weil wir da, ja, da ist es noch sehr undurchsichtig zu verstehen, was sind gute Firmen, was nicht so gute Firmen.
Und deswegen denken wir, da ist auch viel Alpha.
Plus es führt vielleicht auch dazu, dass ein paar Firmen gebaut werden, wenn wir sie inkubieren, die sonst nicht entstehen würden.
Und das ist auch, was wir uns persönlich sehr motiviert, dass wir sagen, okay, durch den Inkubationsansatz schieben wir vielleicht auch 20, 30 Teams an den Markt, die sich sonst nicht gefunden hätten oder die sonst nicht an diesen Ideen gearbeitet hätten, wo wir gerade eine Lücke im Markt sehen.
Was ist da eure Hypothese?
Für die Leute, die keinen Venture Capital kennen.
Jeder Fund, jeder VC hat meistens eine Hypothese.
Das heißt die Investment-Hypothese sozusagen, wie sie investieren.
Und ich finde es immer ganz interessant zu verstehen, was so the Grundidee dahinter ist.
Ihr habt doch bestimmt auch eine.
Also, was ist eure, was sind die Grundregeln sozusagen für euch, damit ihr in einen AI-Startup investiert.
Also auf der Makro-Ebene erstmal glauben wir, dass jetzt die nächsten 10, 15 Jahre wirklich die Zeit des Application Layers werden.
Ich meine, wir haben jetzt die Hardware da mit den Chips, wir haben Cloud Provider, wir haben große generische KI-Modelle, die ziemlich gut sind in den meisten Aufgaben, die wir im täglich in unserem Berufsleben oder Privatalltag machen.
Und jetzt die nächsten in den nächsten Jahren geht es darum, diese Technologie relativ breit in die Anwendung zu kriegen.
Einerseits in den ganzen Business-Prozesse, ja, also von irgendwie Finanzen, Buchhaltung, Kundensupport, Legal, Cyber Security, Compliance, aber eben auch in, sag ich mal, disruptiver Cases, sei es jetzt in der Robotik, sei es im Energieumfeld, sei es in der Cybersecurity.
Und dann natürlich auch im ganzen Gesundheitswesen, Druck Discovery.
Also eigentlich in allen Bereichen B2B, wo man bestehendes Business sozusagen mit KI weiterentwickelt.
Und das glauben wir, passiert die nächsten fünf bis zehn Jahre.
Und das werden auch nicht alles die Hyperscaler lösen, weil die Hyperscaler bringen die generellen Compute-Infrastruktur, die bringen generelle Modelle und Tooling, aber sehr horizontal und die gehen jetzt nicht in jeden einzelnen Use Case und werden da vertikal die Lösung bauen.
Und deswegen glauben wir, ist da sehr, sehr viel Potenzial.
Und das ist auch etwas, wo wir durchaus sehr gut sind in Europa.
Wenn wir uns überlegen, im Industriesektor, ja, also ich meine, viele der im Mittelstand ist sehr viel des besten Industrial-Know-how.
Wenn wir überlegen, im Bereich FinTech kamen viele der Innovationen aus Europa.
Wenn wir sagen, im Bereich Life Sciences, Healthcare, viele, viele große Pharmaunternehmen in Europa und so weiter.
Und das heißt, ich glaube, da glauben wir, dass sowohl sozusagen das KI-Know-how mit dem regweiligen Domain-Know-how von der Anwendung zusammen eben dazu führen kann, dass sehr große Firmen gebaut sind.
Das ist sozusagen auf der Makro-Ebene.
So jetzt, wenn wir das Ganze mehr Mikro gehen, investieren wir sehr früh.
Das heißt, einerseits müssen wir müssen wir gucken, kann das, ist das ein groß genuger Markt?
Das heißt, da schauen wir uns bottom-up und top-down die Marktgröße an.
Also gehen die auf große Märkte, wo wir mindestens einen 100x machen können auf unser Kapital, also dass wir einen realistischen Weg sehen, dass die Bewertung sich ja dann wahrscheinlich mit der Lucian eher irgendwie für 200 facht und der Markt das hergibt.
Das zweite ist einfach das Team.
Da geht es einerseits, sage ich mal, um die Character-Trades.
Also glauben wir, dass die Gründerinnen und Gründer wirklich was sehr Großes bauen wollen.
Und was motiviert die, da hinzukommen?
Also können wir können wir irgendwas aus der Interaktion mit ihnen oder aus der Exterior dazu ableiten.
Ich meine, es gibt viele, die irgendwie ein Startup bauen wollen, aber viele geben sich dann doch auch mit was Mittelgroßen zufrieden.
Und das andere ist eben ist die Frage, ist das jetzt halt das richtige Team, um genau dieses Problem zu lösen.
Also ist von der Commercial und von der Technical und von der Domain-Expertise, glauben wir, dass dieses Team das knacken kann.
Und gerade jetzt beim KI-Umfeld ist auch nochmal besonders wichtig, dass man, dass die Technologie sich ja so schnell weiterentwickelt, dass alles, was heute aktuell ist, morgen nicht mehr aktuell ist.
Das heißt, einerseits will man irgendwie technische Exzellenz, aber andererseits auch nicht zu viel Selbstverliebtheit in das, was man selber gebaut hat, weil wenn morgen ein neues Open Source-Modell rauskommt, was irgendwie die Aufgabe besser erfüllt, dann muss man vielleicht auch alles wegschmeißen, was man gestern gebaut hat.
Und entsprechend muss man da auch pragmatisch genug sein.
Und natürlich auch ein Magnet sein, um irgendwie das beste Talent in dem Bereich anzuziehen, weil gerade jetzt auch mit allem, was an KI-Tools da ist, braucht man eigentlich immer kleinere Teams, aber das heißt wiederum auch, dass die Einzelpersonen umso stärker sein.
Also diese Talentmagnetfunktion ist sicher auch wichtig.
Und dann ist halt die Frage, wenn man nach einer Ebene tiefer geht, natürlich irgendwie was der Business Model, Go to Market, Tech Competition und so diese ganzen anderen Sachen.
Und das Spannende ist halt, wenn wir Firmen inkubieren, dann arbeiten die Gründer meistens ein paar Wochen von unserem Campus.
Das heißt, wir lernen sie auch einfach sehr, sehr gut kennen, sehen, wie schnell sie vorankommen und auch wie die Zusammenarbeit da ist.
Weil es ist halt immer noch so, die meisten Firmen gehen nicht kaputt, weil irgendwie das Business keinen Sinn macht, sondern weil irgendwie sich die Gründer streiten, see how we come and the issue.
Or doch irgendwie vielleicht von der Personality nicht so sind, wie man sie initial eingeschätzt hat.
Genau, und das nutzen wir.
Und zusätzlich haben wir aber auch noch intern bei unsigned Agenten laufen, die we all know about one deal drüber laufen lassen.
This talentprofil, which you as gründer brauchst, verschiebt sich immer mehr hin zu generalist, weniger to specialist.
Also früher wurde immer gesagt, dass jeder technische Gründer an Betriebswirtschaft.
Wobei ich mir gar nicht mehr sicher bin, dass that tatsächlich so is, weil the technical super schnell durch Vibe-Coden abgebildet.
I glaube du brauchst jetzt tatsächlich betriebswirtschaftliche Gründer mit guten Interpersonal Fähigkeiten sozusagen, ja, was du gesagt hast.
And I have not a few of the business cases, which is all interesting.
Weil am Ende ist es immer ein Totschlag-Argument, wenn man sagt, dass sowohl Google als auch OpenAI als auch irgendwer sonst can ganz leicht so eine Rapper-lösung bauen.
Wenn du selber selber ein Problem löst, was es irgendwie im B2B-Markt gibt, wird es immer größere Tech-Unternehmen geben, die das gleiche bauen können, ohne Probleme.
Nur die Argumentation ist ja immer that it's not relevant genug for meinetwegen Google, yeah.
Weil man halt nicht gross genug is, dass die in diesem Markt rein.
Und wo ist da, meinst du, der sweet spot zwischen wir nutzen unser Domain-Wissen, unser Industriewissen and so weiter, um dedizierte Lösungen to bowl, but not under the radar from Google zu fahren, or ABS or Microsoft.
Das sind halt diese großen Unternehmen.
Und das ist ja immer die gleiche Angst.
Als ich selber my baute habe, had ich genau das gleiche.
And the investor, the 400 VCs, with the ich sprach, auch mal erzählt.
Naja, Google can't ever not bowl or Microsoft.
But we have a problem girl, was it erst mal not?
But we can lösen.
Habt ihr dafür Zahlen oder habt ihr dafür Parameter, wie ihr das einschätzt?
Yeah, genau.
Also ich glaube, erstmal, it's not really anbieten.
Also, that he has a firm rain sortieren.
When many batteries are wie irgendein AWS-Service, das zweite ist, die machen auch nicht alle auf AWS sein wollen.
But then muss man sich natürlich fragen, wie viele Player daneben bestehen.
I think the hyperscaler sind große Companies, aber organisationell können die jetzt auch nicht tausend Firmen gleichzeitig bowls.
Das heißt, die werden auch ein paar größere Bads machen, wo sie sagen, da gehen wir jetzt tiefer rein und bauen was.
Und das sind vielleicht irgendwie 10 oder 20, aber es sind sicher nicht 1000.
Das heißt, selbst wenn das das ist, was groß genug is, heißt es trotzdem noch nicht, dass sie das machen.
Und ich glaube, das letzte ist, dass teils halt Sachen auch am Anfang kleiner aussehen könnten, als sie später werden.
Also man kann zum Beispiel mit einem sehr konkreten Use Case anfangen und sich dann von da ausbreiten.
Also wir fragen uns oft eher sozusagen, was ist so dieser Initial Wedge, also was macht das Team jetzt ganz konkret die nächsten zwölf Monate, um Kunden zu kriegen und wieso konvertieren die schnell und wieso ist dieses initiale Product Offering gut?
Und dann fragen wir uns so ein bisschen, wie sieht das Ganze in 10 bis 15 Jahren aus?
Also Terminal Value, was kann das eigentlich werden, wenn die vom Produkt sich weiter ausbreiten, da wo sie sitzen beim Kunden, was können sie noch anbieten an Features anbieten, was können sie mit den Daten bei den Kunden anfangen, gibt es Netzwerkeffekte, wenn sie mehr Kunden haben, gibt es irgendwie eine Marketplatz-Dynamik, können sie, haben sie sonst durch ihr Team irgendwie ein Benefit, da in den Markt reinzukommen.
Und ich glaube, alles, was dazwischen passiert, also zwischen den nächsten zwölf Monaten und den nächsten 10 Jahren, nobody knows.
Aber ich glaube, solange du sozusagen diese ersten Monate sehr, sehr klar hast und eine Langter-Vision haben, wo du sehr, sehr groß werden kannst, dann gefällt uns das.
Und ultimativ sprechen wir auch einfach mit vielen Kunden, beziehungsweise sowohl introducen dann auch halt unser Kundennetzwerk zu den Gründern und gucken auch, was da die Reaktion ist.
Und wenn dann halt im ersten Schritt, wir halt merken, dass irgendwie die ganzen Kunden sagen, ja, wir arbeiten hier schon mit den Hyperscalern zu dem Thema, dann sind wir wahrscheinlich skeptisch.
Wenn die sagen, nee, aktuell ist dieses Problem noch nicht gelöst, dann bauen wir das.
Und trotzdem gucken wir natürlich auch, könnten die Hypers, könnte man mit den Tools des Hyperscalers das Problem ganz schnell auch anders lösen?
Also, sage ich mal, mit einem leichten Rapper, egal ob das jetzt eine Third-Party tut oder der Hyperscaler selbst oder der Kunde selbst.
Und wenn da, wenn da quasi nicht viel Produkt ist, dann würden wir es auch trotzdem nicht machen.
In Hinblick auf die Hyperscalers, siehst du die Thematik der souveränen Lösung?
Also, ich glaube, am Markt wird es viel diskutiert, dass alle gerne souveräne Lösungen hätten.
Aber meinst du, das ist ein realistisches Ansehen?
Weil am Ende sind ja alle, es ist ja unser gesamtes Software amerikanisch und wir sind alle unendlich connected.
In der gesamten Prozesskette des täglichen Arbeitens, nutzen wir bestimmt 400 verschiedene Lösungen.
Und momentan wird ja viel diskutiert, dass wir versuchen müssen, wegzukommen von den Hyperscalern, wegzukommen von den amerikanischen Lösungen, damit wir nicht Teil des Cloud-Acts werden, damit wir irgendwie weniger erpressbar sind und so weiter und so weiter.
Aber glaubst du, da ist ein realistischer Ansatz?
Also glaubst du, es gibt da Lösungen oder gibt es überhaupt eine Chance, da in die Richtung zu gehen?
Also ich glaube, das Ziel sollte immer sein, gleich gute oder bessere Produkte anzubieten.
Also, ich glaube, dieser Annahme.
Ja, so wie ein Climate, ne?
So wie also die das gleiche Ansinnen, was alle im EST-Bereich auch hatten, ja, okay.
Und ich glaube, ich glaube, ich glaube nicht, dass ich glaube, ich glaube, die Kunden würden ungern zu einem Produkt wechseln, was viel schlechter ist, nur um Souveränität zu kriegen.
Es gibt natürlich Ausnahmen, sag ich mal, wenn es um sehr kritische Daten geht, vielleicht im Government-Umfeld, Defense, Healthcare vielleicht.
Aber ich glaube, in den meisten Anwendungen, selbst bei Government und so haben wir es jetzt zum Teil gesehen, gehen die Leute dann doch irgendwie auf die amerikanische Provider, weil einfach das Produkt so viel besser ist.
Und von daher, glaube ich, muss schon immer die Abition sein, ein gleich gutes Produkt zu schaffen, was natürlich nicht ganz einfach ist.
Weil ich glaube, sonst sind wir schon auch skeptisch, auch wenn wir investieren, jetzt auch in europäische Firmen.
Das, wenn das Team jetzt sozusagen den kompletten Go-to-Market darum baut, dass sie einfach nur die europäische Variante von X sind, aber halt viel schlechter.
Dann glauben wir, reden zwar alle von souveränen Lösungen, aber wir sehen dann trotzdem, dass die Kunden dann trotzdem schwieriger konverten.
Außer eben das Produkt selber ist on par oder sehr close on par mit amerikanischen Konkurrenten.
Und ich glaube, da ist ein riesiges Potenzial.
Also, ich glaube, wenn wir jetzt sozusagen auch gerade durch die ganzen ganzen Application-Layer durchgehen, sei es jetzt irgendwie Software für Krankenhäuser, Software für Industrie, für Fabriken, alles, was sozusagen den FinTech-Stack irgendwie vor oder den Finance-Deck von großen Unternehmen angeht, Customer Support.
Ich glaube, das sind alles Bereiche, wo wir sehr gut hier sehr gute Firmen auch Produkte bauen können in Europa und der Zug auch noch nicht abgefahren ist.
Also, weil die unter den Großen Unternehmen ja jetzt gerade erst anfangen, KI in diese ganzen Prozesse zu bringen.
Auf jeden Fall.
Ich glaube auch nicht, dass der Zug abgefahren ist.
Einfach ganz stumpf, weil wir aus den bestehenden oder von den bestehenden Produkten lernen können.
Die Grundlagenarbeit haben ja die anderen gemacht, weißt du?
Also, so bitter das klingt, ja.
Also, die haben, wie wir am Anfang sagten, über 200 Milliarden allein im letzten Jahr in die Entwicklung und die Skalierung von LLMs gesteckt.
Und da sind die Chips und Datencenter und so weiter ja noch gar nicht drin.
Das ist ja reine Softwareentwicklung.
Das ist absurd.
Die haben die ganzen Grundlagen Research gemacht und die Grundlagenforschung gemacht.
And we halt darauf aufsetzen können anders lernen können.
Die Chinesen machen das auch alltäglich.
This is a specialgebiet, sozusagen, bestehende Erfindungen und bestehende Architektur and Infrastruktur zu nehmen und darauf eben aufzusetzen.
And I think we can in Deutschland auf jeden Fall auch machen.
But the other frage, die sich mir in dem context immer stellt, is ob LLM as AAI-Grundlage for the gesamten Wrapper-Lösung, ob das überhaupt die Zukunft ist.
Ich habe ja nennt der Weise Jan Le Cannes zuhören dürfen bei euch im Hause.
Vielen Dank nochmal.
Das war sehr spannend.
Glaubst du tatsächlich, also wo glaubst du die Zukunft hin?
Wird das in Richtung LLM bleiben, weil wir da jetzt schon so viel investiert haben, weil die Technologie so solide ist, die gibt es seit 30 Jahren, es ist alles die gleiche Architektur.
And we skalieren wie das Zeug hält, oder man glaubst du, es wird eine andere Richtung gehen und Airby Yan Le can Richtung World Models with anderen Daten setzen als Trainingsdaten und anderen Architekturen.
Ja, ich glaube, ich glaube, beides ist richtig.
Also, erstmal, ich glaube, was Jan Jan mit seiner Company macht, also die World Models ist auf jeden Fall super wichtig.
Also, weil wenn immer, wenn du ja KI-Agenten or a KI hast, die Entscheidungen treffen will oder muss, and im Zweifel in der echten Welt, where man Entscheidungen nicht mehr rückgängig machen kann, dann ist das sehr, sehr schwierig, das in der echten Welt zu trainieren.
Weil wenn man einmal das Glas umgeschmissen hat, dann kann man das, dann steht das nicht von alleine wieder sich auf den Tisch und das kostet jedes Mal ein paar Euro.
Das heißt, wenn man das hunderttausende Mal macht, um irgendwie einen Roboter zu trainieren, dauert es sehr lange und ist sehr teuer.
Das heißt, es macht eben Sinn, diese Sachen entweder in einer Simulation zu trainieren, aber eine Simulation ist auch immer nur ein so gutes Abbild von der echten Realität oder eben in so einem sogenannten World Model, wo die KI quasi simulieren kann, wie Entscheidungen getroffen wird und Feedback kriegt und auf der Basis dann erst echte Entscheidungen trifft.
Und ich glaube, von daher für alles, was so Robotik ist oder Interaktion mit der echten Welt, auch im Endeffekt auch bestimmte agentische Entscheidungen, wo Fehler irgendwie Geld kosten oder Menschenleben kosten oder sozusagen einen Schaden haben, ist das, glaube ich, ein sehr, sehr guter Ansatz und ich glaube da sehr dran.
Natürlich noch die Frage, wie man das jetzt, wie man das jetzt genau baut, aber deswegen, deswegen Raste da ja auch sehr viel Geld, um da hinzukommen.
Also, ich glaube, das ist sozusagen ein Weg für die Geschichten.
Der andere Pfad ist halt die Frage, sind sozusagen Transformer oder sozusagen der LLM-Stack irgendwie am Ende.
Ich meine, das sind ja jetzt auch schon sehr, sehr viele neue Architekturen.
Also, ich meine, wir haben ja jetzt auch schon nämlich States-Bace-Space Models, Flow-Models und andere KI-Architekturen, die vielleicht irgendwie da auch bestehende LLM-Stacks sozusagen ablösen.
Der Punkt ist aber, wenn man das jetzt also aus Business-Perspektive sieht, selbst wenn wir jetzt heute sozusagen die ganze Forschung einfrieren würden und alle und nicht mehr weitermachen würden, könnten wir mit allem, was jetzt schon technisch möglich ist, unsere Welt komplett transformieren.
Also, das eine ist jetzt zu rätseln, was ist so, was ist jetzt die nächste Modellarchitektur und wie geht es weiter, aber die Realität ist halt, wenn wir alles von heute, all die ganzen KI-Modelle von heute, die ja schon realistisch 95 Prozent von dem, was du und ich am Arbeitsalltag machen, besser machen als wir, ist es, glaube ich, so, dass diese Transformation gerade erstmal durchgeführt werden muss und da eigentlich auch die große Absatz drin ist.
Und jetzt die letzten 5 Prozent, ja, da wird man sich ja auch besser, aber das ist halt irgendwann auch Diminishing Returns.
Und wir haben gerade eher sozusagen die Trägheit unserer Gesellschaft zu spüren, ja, dass es jetzt Zeit braucht, das Ganze irgendwie in die großen Unternehmen reinzubringen, Produkte zu bauen, in bestehende Systeme hinzu integrieren, Daten aufzuräumen, damit die, damit die auch da richtig interpretiert werden können, Governance-Themen, natürlich Kapital hinter die Ideen zu bringen.
Und das braucht jetzt einfach ein paar Jahre.
Und da sind halt super viele Leute dran, aber das alleine wird schon unsere Welt, glaube ich, in fünf Jahren komplett verändern.
Und zusätzlich kommt natürlich noch eben alles, was woran die Leute jetzt gerade forschen.
Aber glaubst du tatsächlich an Transformationen?
Also glaubst du, dass das überhaupt möglich ist, die Unternehmen in der mit AI, also die Prozesse zu transformieren?
Weil ich sehe, als eins der grundlegenden Probleme ist tatsächlich, die Arbeitsweise von Menschen ist nicht so wirklich kompatibel mit der, mit wie Agenten oder wie Systeme funktionieren.
Weil man denn Menschen sehr erratisch arbeiten.
Das heißt, der normale Mitarbeiter hat nicht drei Tage lang die gleichen Prozesse und Arbeitsabläufe.
Es hat dann eine Arbeit in der Fabrik und muss immer das gleiche machen.
Aber die meisten, und wir reden ja von Knowledge Work am Ende, also alles, was irgendwie Texte beinhaltet, die sind halt nicht wirklich vorhersehbar, die nächsten Schritte.
So, natürlich kann er sich dann daran halten, wenn er Agenten baut, immer wieder die gleichen Schritte zu machen, aber ist es realistisch und deswegen meine Frage an dich, diese Prozesse, die AI letztlich revolutionieren soll.
Siehst du das?
Also siehst du, dass es kommen, dass es möglich ist?
Oder meinst du, wäre es notwendig, quasi einmal, ich will sagen, alles abreißen und bei null anfangen, aber Firmen komplett neu aufzubauen.
Ich glaube, beides stimmt.
Also ich glaube, wo ich optimistisch bin, dass es auf jeden Fall kommen wird.
Ich meine, aktuell ist ja unsere Wirtschaft darum strukturiert, dass es irgendwie Unternehmen gibt, da sind gewisse Services sozusagen, die diese Unternehmen anbieten oder bestimmte Produkte, die bauen und die sind auf eine bestimmte Art und Weise organisiert, weil das halt für die aktuelle Zeit irgendwie die richtige Form war, sich zu organisieren.
Und jetzt kann man sozusagen diese bestehenden Organisationen, das heißt diese Unternehmen vielleicht upgrade mit KI, indem man Prozesse umbaut, Teams umbaut, Workflows umbaut, um von den Benefits von KI zu profitieren.
Aber es kann durchaus sein, dass es in bestimmten Sektoren es eben neue Anbieter gibt, die den Service ganz anders anbieten.
Und dann ist halt die Frage: es kann halt sein, dass die einen komplett gewinnen, dass die Incumbents komplett gewinnen.
Es kann abhängig von bestimmten Services sein, dass ein Teil gewinnt und ein Teil verliert.
Also, und das ist jetzt genau das, was jetzt die nächsten Jahre ausspielt.
Also man kann das jetzt ja durch die Vertikalen durchgehen.
Werden die bestehenden Customer Support Companies überleben, I don't know.
Werden Anwaltskanzleien in fünf Jahren noch so ausgehen wie heute und die gleichen Stundensätzeabrechnungen, I don't know.
Was ist irgendwie mit Buchhaltung, was ist mit irgendwie ganz consulting, der ganzen Consulting-Industrie, was es mit Dienstleistern von Software Engineering-Dienstleistungen?
Das sind ja alles Bereiche, die gerade, wo KI die Aufgaben zumindest zum Teil schon ziemlich gut löst.
Und jetzt ist halt die Frage, werden diese Incumbents besser, aber können die dann noch das gleiche Rechnungsmodell haben?
Oder hast du halt neue Player, die das komplett AI-First anbieten oder lösen die Kunden das In-house mit KI-Tools?
Und ich glaube, es wird wahrscheinlich eine Kombination von allem, aber das rüttelt sich jetzt gerade so ein bisschen zurecht.
Und so genauso versuchen jetzt eben jetzt im Bereich Legal, entweder Leute Software für Anwälte zu bauen oder Software für In-house, Legal Teams, also damit der Kunde das selber zu lösen, oder manche versuchen AI-First Law Firms zu gründen von Scratch.
Also, und ich glaube, alle Wege, alle Wege wird es sozusagen noch geben.
Die spannende Frage ist halt, wer wie viel Market Share am Ende hat.
Und ich glaube, das ist nicht in allen Sektoren gleich.
Glaube ich auch.
Also ich stimme dir zu, aber gerade jetzt auch mal kurz zu Legal.
Ich verstehe bis he's not where there's not eigene GPTs gibt von meinetwegen Kanzleien.
Ja, die ganzen großen Kanzleien, warum macht Fresh Fields, White and Case und so weiter, warum machen die nicht ein Fresh Field-GPT, was du als, was du lizenzieren kannst, wo es natürlich keine Haftung gibt, where it's not really, die Anwälte und so weiter.
Aber wenn ich irgendwie ein USP hätte und mein eigenes, or an IP, ja, und ich hätte eigenes Wissen, and I had an equal witness, then quasi Expertise bought, and I can this model for 10 euro meeting, or more by anything, self-standing.
But I think the models are good.
But I think this is not for all the industries.
And this wonderful, that they need to license it.
But the anwält also absolutely hard in three, four, five years.
They actually, as you said, these can.
They come home with very good for the jeweal meetings.
Or by me, can they help with the berating?
They are very, very good, but they have KIs talking.
And they wollen dann quasi nur noch die Validierung ihrer eigenen Wissens und das sign-off sozusagen haben wir.
Also ich glaube, es wird sehr in die Richtung gehen, dass so text-heavy Industrien, dass die wirklich Probleme haben, meines Erachtens.
And the rest would be a good one.
But ich glaube, die nächste Generation, wenn die Unternehmen baut, dann wird das, also wie es jetzt ist, wird es glaube ich nicht weitergehen, weil das ist in vielerlei Stellen so hochgradig ineffizient, diese Arbeitsschritte und die Prozesse.
Wenn man das eine KI geben würde, würde die etwas völlig anders sozusagen raten.
But erzähl noch mal kurz im Rahmen von Mirantex: Was seht ihr noch an neuen Technologien?
Also, was glaubst du, insbesondere für das nächste Jahr?
Was wird kommen, was die meisten noch nicht auf dem Radar haben?
Ja, gut, ich meine, du hast ja schon über einen Thema geredet.
Also, ich glaube, World Models wird auf jeden Fall noch viel mehr Mainstream.
Das war jetzt ja auch for two weekend in Davos eins der großen Themen.
Also, nicht nur wegen Jannen, aber sonst auch eins der wichtigen Themen.
Ich glaube, das zweite super spannende Thema is not AI for science.
Also, when we überlegen, can man KI-Modelle einsetzen, um wissenschaftlichen Fortschritt zu treiben.
Weil das wäre natürlich wahnsinnig, wenn Forschung selber von KI getrieben wird.
Also, und da gibt es zwei Teile.
Das eine ist quasi selber sich zu überlegen, was könnte man eigentlich mal so erforschen anders innovative Ideen überlegen, wie die aussehen könnten.
Und das zweite ist dann so ein bisschen Experiment design.
Also, also wie baue ich jetzt an Experiment or the Beweis, dass das irgendwie richtig ist, was ich mir überlegt habe.
Da sind durchaus jetzt auch einige Teams dran.
Und das ist sowohl ja natürlich in der Biologie und Chemie, wenn es irgendwie um neue Moleküle gibt, aber vielleicht auch in der Mathematik und Physik halt super spannend.
Weil es ist ja mittlerweile schon sehr komplex, in diesen Bereichen irgendwie wirklich Breakthroughs hinzukriegen, weil einfach wir in diesen Fächern ja schon relativ weit sind als Gesellschaft.
Und die Hypothese wäre jetzt, wenn die KI immer besser wird und quasi alles wissen auf der Welt aufgesogen hat, dass sie ja vielleicht da auch in der Lage ist, Durchbrüche zu kriegen.
Deswegen ist eine meiner Hypothesen, dass man da eben auch noch mehr sehen wird, dass man sagt, okay, hier ist irgendwie eine neue mathematische oder physikalischer Beweis oder eine neue Theorie und die wurde quasi durch KI entwickelt.
Das ist das eine.
Und das zweite ist auch auf der Content Generation.
Also gerade wenn es Richtung Video geht, glaube ich, werden wir, und da haben wir ja auch mit Black Forest Labs ein super Team in Deutschland.
Ich glaube, wenn wir, ich meine, wir können ja mittlerweile schon ganz gut so Videos generieren, aber ich glaube, das wird noch eine ganze Stufe weitergehen, dass wir auch irgendwie mittelfristig in der Lage sind, wirklich ganze Serien oder Filme, Werbungen und so weiter zu generieren.
Ich meine, da gibt es jetzt ja schon erste Beispiele von, das ist gar nicht so schlecht.
Aber ich glaube, das wird nochmal ein ganzes Stückchen weitergehen.
Aber glaubst du mit der existierenden Technologie, also mit dem Vorhersagen von einzelnen Pixeln, was ja am Ende ist?
Ja, ich glaube, auch da spielen natürlich World Models eine Rolle spielen, wenn man, wenn man quasi besser physikalisch versteht, was die Welt ist, in der man was vorher sagen will, dass es einem das dann auch helfen kann, eben sozusagen Videosequenzen zu generieren oder diese zu editieren.
Also da könnten die Themen dann auch wieder zusammenkommen.
Es ist einfach sehr komplex.
Ich meine, pixel-basiert hat das bisher ganz gut funktioniert, aber kann eben auch an Limits kommen.
Aber es ist sehr, ich finde es sehr, sehr schwierig, vorherzusagen, auch schon als ich noch sozusagen in der Forschung war, zu vorherzusagen, welche Methode jetzt gewinnt, weil meistens konnte man sozusagen die bestehende Methoden immer ein bisschen weiter pushen durch gutes Engineering.
Aber dann hat jemand anders wieder eine Idee und entweder ist es einfach nur ein kleiner Tweak zu dem bestehenden Modell, was auf einmal alles wieder irgendwie so springen lassen hat in der Performance oder vielleicht ein komplett anderer Ansatz, von dem irgendwie keiner keiner was gedacht hat, auch noch nie jemand was gehört hat.
Deswegen ist es, glaube ich, sehr, sehr schwierig, da vorher zu sagen, was so die winning Methoden sind, und es ist ja auch wahnsinnig viel Geld und wahnsinnig viele smarte Leute, die gerade in der Forschung an diesen Themen dran sind.
Was man nur sagen kann, wenn man sich halt die Performance von Sprachmodellen, Videomodellen anhand der Benchmark angeguckt, dass die halt jedes Jahr besser sind.
Also wenn wir jetzt nächstes Jahr im Januar hier wieder sitzen würden, dann würden wir sicher in vielen dieser Benchmarks bessere Modelle haben als heute.
Und wahrscheinlich in manchen Bereichen wäre es sozusagen Engineering von bestehenden Methoden und in manchen Bereichen hätten die Leute halt ganz neue Ansätze.
Ja, aber weißt du was, gerade BLMs, ne, also gerade Videos, ich will nicht sagen, dass ich enttäuscht bin, aber vielleicht bin ich auch verwöhnt durch Innovationssprünge.
Wir haben ja in letzter Zeit, in den letzten Jahren haben wir wahnsinnige Innovationssprünge gesehen.
Und klar, was du sagst, stimmt natürlich.
Ich meine, Google Deep Mind hat mit Attention is all you need 2017, 2018, die haben natürlich damit den größten Innovationssprung eigentlich in den, für den LMs verursacht, wenn man so möchte.
Also das heißt mit der Gewichtung von einzelnen Tokens, Parametern und so weiter.
So, nur ich habe 2020 haben wir schon Gen AI-Videos gemacht.
Und jetzt sind wir fast sechs Jahre später, also fünf Jahre später, und ehrlich gesagt, so wahnsinnig groß finde ich diese Sprünge jetzt immer noch nicht.
Natürlich sind die, haben wir keine sechs Finger mehr und es ist wesentlich, also selbstverständlich, es hat sich wahnsinnig verbessert.
Aber du kannst trotzdem immer noch nicht Videosequenzen über einen längeren Zeitraum generieren, ohne dass es irgendwann abschmiert.
Also das heißt, es sind immer nur Frames sozusagen, die wir die wir generieren.
Es ist immer noch wahnsinnig teuer.
Also du kannst nicht als normaler User auf Video Gen AI-Plattformen kostenfrei zum Beispiel irgendwie Sequenz nach Sequenz generieren.
Stabile Charactere to have is immer noch herausfordernd for viele, jetzt nicht unbedingt für Google, aber für den Rest.
Also rein subjektiv habe ich das Gefühl, dass wir da irgendwie so an der Decke stoßen.
Und deswegen wäre es mir, also ich würde es mal interessant to see, oder ich finde es interessant to see, was sich da quasi auf der Wissenschaftsseite noch tut.
But yeah, we can see.
Habt ihr viele, die in AI Research gemacht haben, oder seht ihr, sind die mehr, kommen die mehr mit dem wirtschaftlichen Hintergrund?
Ist eine Mischung.
Also, wir haben eigentlich in allen Teams einerseits oft technische Leute und andererseits Leute mit einem mehr Business Background.
Die technischen haben teils auch einen tiefen Background in Machine Learning, teils kommen sie mehr aus der Anwendung, haben vielleicht schon ein paar Firmen auch im KI-Umfeld gegründet oder aufgebaut.
Aber die kommen natürlich von den irgendwie typischen technischen Hochschulen in Deutschland, Schweiz, UK, Frankreich, ein paar aus den USA, auch von den ganzen Max-Planck-Instituten und so weiter.
Also, ich glaube, da gibt es da gibt es schon super Tech-Talent.
Aber es ist eben auch genau der Punkt.
Also ich glaube, jetzt beim Thema Video, da kann man jetzt sozusagen sehr viel machen, irgendwie mit World Models vielleicht das ganze Thema angehen.
Man kann irgendwie sehr viel an der Effizienz der Algorithmen erarbeiten, weil das natürlich auch ein riesiger Hebel ist, wenn du überlegst, wie teuer das ist, auch auf der Compute-Seite, sowohl beim Training als auch bei Inference.
Also jedes Prozent da erlaubt dir halt im Zweifel halt mehr Experimente zu laufen zu lassen oder größere Architekturen zu rechnen oder mehr Daten reinzuschmeißen.
Das heißt, da sind schon sehr, sehr viele Hebel noch und das ist noch sehr ineffizient, aber ich glaube, wir Menschen haben halt auch immer so ein bisschen so ein.
Es gibt da, glaube ich, immer so einen Punkt, wo wir dann auf einmal sagen, das ist gut genug.
Das war ja auch schon bei den Sprachmodellen.
Ich meine, die gab es ja auch schon vor irgendwie vor 30.
November irgendwie 22, als als ChatGPT an den Markt gegangen ist.
Ja, davor haben die halt noch ein bisschen zu viele Fehler gemacht und ChatGPT war also das erste Interface, was auf einmal richtig gut war und irgendwie der Text auf einmal irgendwie mit GPT 3 gut genug war.
Und das gleiche bei Bildern, oder?
Da war es am Anfang so, ja, die Leute hatten irgendwie irgendwie drei Nasen und da haben alle gesagt, so von wegen, das ist hier doch nur Spielerei, das kann man ja nie irgendwie anpacken.
Und jetzt würde ich sagen, kann man Fotos schon zumindest ziemlich gut generieren und editieren.
So, wird auch noch besser, aber ist schon sehr, sehr gut.
So, und jetzt Video sind wir noch nicht da, aber ich glaube, das ist nur eine Frage der Zeit, bis wir es wieder hinkommen.
Und ich sehe halt nicht, dass wir es nicht schaffen sollen.
Ich meine, wenn man sich überlegt, welche Videosequenzen man jetzt generieren kann, versuch es halt vor zwei oder drei Jahren.
Das war schon eine ganz andere Qualität von der Auflösung, von der Länge auch in der Lage zu sein, die Sachen zu editieren.
Also, ich bin da sehr optimistisch, dass wir hinkommen.
Ich glaube, das braucht jetzt einfach nochmal ein bisschen Kapital, aber jetzt Black Forest Labs oder so haben ja gut Geld geraced.
Also, ich bin mir sicher, die werden da gute Arbeit machen.
Ja, ich glaube auch.
Und ich denke, ich meine, auch nur so geht Fortschritt am Ende.
Also, das heißt, nur indem man einfach weiterprobiert und weiterentwickelt und die smartesten Köpfe und das meiste Kapital auf einen Thema wirft und dann schaut, was passiert.
Also sicherlich, ich glaube auch, dass sicherlich in irgendeinem dieser Labs dann eben andere Architekturen entstehen werden, einfach als Nebenprodukt.
Und ich meine, Black Forest Labs kam auch wie Phoenix aus der Asche.
Die kam aus nichts, keiner hatte damit gerechnet.
Und plötzlich waren die eines der Leading Models in Image Generation.
Also ohne dass irgendwer damit gerechnet hatte.
Und die haben auch an der Architektur geschraubt und waren so erfolgreich, weil sie einfach Dinge neu gemacht haben oder anders gemacht haben als die anderen Modelle.
Das heißt, ich glaube auch, dass es kluger Köpfebarf, wenn da eben, wenn das irgendwann noch möglich ist, das ist das nächste, ne?
Also manchmal ist es ja auch einfach mathematisch, dann stirbst du es irgendwann an seine Grenzen.
Und wir müssen uns halt überlegen, ob man das mit irgendwie anderer Mathematik sozusagen löst.
Das fand ich, das war das lustiges, lustigste Zitat von einer dieser Hauptentwickler, das ich mal gehört habe bei Google, der meinte so, wir müssen irgendwann einfach eine andere Mathematik erfinden, weil das so alles an seine Grenzen stößt.
Und vielleicht hat er damit recht.
Ja, oder andere Hardware auch.
Also ich meine, es ist ja auch so, dass jetzt, ich meine, die GPUs kamen ja eigentlich auch, weil sie irgendwie die Grafikkarten waren, um irgendwie den Bildschirm zu rechnen.
Und dann hat man gemerkt, man kann da ganz gut irgendwie lineare Algebra drauf machen und Matrizen multiplizieren.
Und dadurch ist das irgendwie groß geworden.
Aber ist ja schon die Frage, dass man, wenn man halt quasi eine analoge Welt hat, daraus irgendwie digitale Zahlen macht und die dann wieder eigentlich analog irgendwie rechnet, irgendwie, also das immer hin und her transferiert, ob das irgendwie so der effizienteste Weg ist oder ob es da vielleicht nochmal ganz andere Computing-Hardware gibt, die das auf einmal alles irgendwie hunderte Male effizienter machen kann.
Also, das ist sicher kein Bereich, wo wir investieren, aber wo durchaus bestimmt noch Potenzial nach oben ist.
Auf jeden Fall, also Hardware ist der limitierendste Faktor momentan.
Für the gesamte AI ist Hardware das Grundproblem.
Wenn das gelöst ist, dann glaube ich, werden wir selbst mit Sicherheit einen Schritt nach vorne machen.
Und abschließend noch eine Frage: Hast du, habt ihr schon investiert aus dem aktuellen Pfund oder noch nicht?
Seid ihr noch am besten?
Ja, wir haben schon einige Investments gemacht.
Doch, wir haben schon einige Investments gemacht.
Kannst du sagen, in wen und was?
Vieles ist noch im Stealth gerade.
Also von daher, wir haben jetzt gerade eine neues Investment im Energie-Sektor.
Da geht es darum, quasi einen neuen Stromversorger aufzubauen, aber komplett AI First.
Also, wieso brauchst du halt Mitarbeiter im Stromversorger?
Wir haben noch ein Investment im Biomanufacturing-Umfeld, also sozusagen, wenn es darum geht, biobasiert Materialien herzustellen oder auch im Pharmaumfeld in sehr spannende AI-Company.
Und wir haben jetzt diese Woche ehrlich gesagt noch zwei oder sogar vielleicht drei Firmen im IC.
Von daher kommt da schon noch ein bisschen was dazu, ja.
Sehr cool.
IC für unsere Hörer ist das Investment Committee.
Das ist das Meeting, in dem sich die Investoren oder GPs, wie auch immer, zusammensetzen und überlegen, ob sie da rein investieren wollen oder nicht.
Und irgendein armer Analyst muss dann immer den Case präsentieren.
Obwohl, wahrscheinlich habt ihr keinen Armen Analysten, sondern nette Mitarbeiter.
Ja, genau.
Wir arbeiten da sehr eng alle zusammen.
Ja, ja, das glaube ich.
Also, ich frage meine lieben Gäste mal am Ende des Podcasts nach einer Buchempfehlung als Antithese zu der ganzen digitalen Welt.
Hast du eine?
Schlaf wirkt Wunder.
Alles über das wichtigste Drittel unseres Lebens.
Ich habe irgendwie die letzten ein, zwei Jahre gemerkt, dass das Thema Schlaf irgendwie super wichtig ist, versucht selber mehr zu schlafen und dann dachte ich, lese ich dazu mein Buch jetzt über die Feiertage, was mir da noch ein paar Tricks gibt.
Echt, ja?
Wie lange, wie viel schläfst du die Nacht?
Ja, mittlerweile versuche ich schon so mindestens acht Stunden eigentlich immer zu schlafen.
Das habe ich zeitweise auch nicht gemacht.
Also zeitweise habe ich auch irgendwie nur so fünf, sechs geschlafen, aber ich versuche jetzt irgendwie.
Wirklich, acht Stunden.
Wie schaffst du das denn?
Krass.
Ich schlafe sehr schnell ein.
Und schlaf sehr tief.
Ich glaube, mein Schlaf ist auf jeden Fall sehr effizient.
Aber ja, es ist eine Frage von Priorisierung.
Beziehungsweise, manchmal gibt es auch Umstände im Leben, da muss man arbeiten und so weiter.
Und dann, ich schaffe es leider.
Also acht Stunden würde ich nie schaffen, aber es hört sich traumhaft an.
Das schaffe ich auch nicht immer.
Also, das ist mein Ziel, ja.
Also, es gibt auch Tage, wo ich natürlich viel weniger schlafe, aber ich versuche immer acht zu schlafen, sage ich so.
Ich muss sagen, echt, also das Allheilmittel für mich ist immer dieser Ura-Ring, den ich habe, der mir dann immer sagt, dass ich einfach absolut schlecht geschlafen habe.
Und es hat so einen krass edukativen Effekt bei mir, weil wenn ich das sehe, dann werde ich kompetitiv mit mir selber und versuche dann in der Nacht später besser als die Nacht vorher zu schlafen.
Aber den OR-Ring habe ich auch seit einem Jahr, der hat mir auch geholfen.
Also das ist, glaube ich, auch einer der Gründe, wieso ich das Thema irgendwie als immer wichtiger gesehen habe.
Ja, warum kann man sich da eigentlich nicht batteln?
Ich würde am liebsten mit meinen Freunden dann immer irgendwie so ein Leadership-Board haben, wer am besten geschlafen hat.
Kann man.
Also man kann in dieser Circles-Funktion kann man einstellen, dass das sozusagen andere Leute entsehen.
Also das geht sehr wohl.
Aber es ist kein Leadership-Ball, aber man kann die Performance von Freunden oder Partnern sehen.
Okay, naja, dann muss ich jetzt nochmal recherchieren.
Aber ich habe, ich schlaf angeblich immer zu schnell ein.
Steht immer im Ring.
Ich brauche mal unter drei Minuten und dann beschwert sich der Ring, dass ich wohl zu müde war.
Aber gut, egal.
Ja, cool.
Also vielen, vielen Dank.
Das heißt, AI-Gründer dürfen sich bei dir melden mit ihrem Pitch und ihr schickt.
Ja, gerne einfach an Rasmus.merantix.com.
Auch natürlich, wenn es Unternehmen gibt, die das Thema KI bei sich voranbringen wollen, also aus der traditionellen Industrie auch immer gerne melden.
Ja, ja, klar, selbstverständlich.
Die brauchen definitiv alle Beratungen.
Ich kann immer erst mit Unternehmen ab einer gewissen Größe zusammenarbeiten.
Das heißt, das sind tendenziell eher diese DIDAX-Unternehmen ohne der Größe.
Das heißt, alle darunter finde ich, die sind manchmal so ein bisschen lost in der Beratung.
Also die können sich gerne an euch melden, wenn es also für jegliche AI-Transformation.
Cool.
Also vielen, vielen Dank für deine Zeit.
Ich freue mich auf ein Wiedersehen in Berlin und wir sprechen bald.
Bis dann.
Ciao, ciao.
Vielen Dank.