# Building the Enterprise AI Operating System

**Podcast:** AI FIRST Podcast
**Published:** 2026-03-20

## Transcript

Herzlich willkommen zum AI First Podcast.
Letzte Woche, da habe ich meine Gedanken geteilt, warum KI eigentlich längst kein Tool mehr ist, warum KI auch nicht mehr in die Form eines digitalen Mitarbeiters passt und warum KI eigentlich mit den Möglichkeiten, die jetzt in diesem Jahr gekommen sind, mit den neuen Fähigkeiten, die die Modelle entwickelt haben und dem exponentiellen Wachstum, was wir sehen und wo wir gerade am Anfang stehen.
warum KI zum Betriebssystem des Unternehmens werden muss.
Hört da gerne nochmal rein in die letzte Folge, denn das ist die Grundlage für diese Folge jetzt.
Ich habe euch gefragt, ob euch das interessiert und ob ihr da mehr drüber verstehen möchtet.
ob ich mehr teilen soll, wie wir das bei uns aufgebaut haben.
Und ich habe viele Nachrichten von euch bekommen.
Vielen, vielen Dank dafür.
Mit Rückfragen, mit Feedback, mit ein paar Einwänden, die auch von euch kamen.
Aber der Grundtenor war, ja Felix, erzähl mal, wie habt ihr das jetzt gemacht?
Und das mache ich jetzt in dieser Folge.
Ich habe mir ein paar Sachen vorgenommen.
Und zwar gehe ich gleich einmal durch die Bausteine von unserem KI-Betriebssystem.
Was gehört da alles rein?
Dann erkläre ich einmal, wie wir jetzt gerade damit arbeiten und wie auch das System arbeitet.
Danach besprechen wir, was die Voraussetzungen sind, also sowohl technische Voraussetzungen als auch organisatorische Voraussetzungen.
Und dann habe ich noch ein paar andere Gedanken aufgeschrieben, die ich abschließend mit euch teilen möchte.
Dann steigen wir ein, was sind die Bausteine vom KI-Betriebssystem?
verschiedene Schichten, die aufeinander aufbauen.
Und obendrauf auf dem System sitzt etwas, das nennen wir OS Agent, also ein Operating System Agent.
Andere nennen das Super Agent oder General Purpose Agent.
Ist auch egal, wie man das nennt.
Aber der Unterschied ist, dass ich keinen Chatbot mehr habe.
mit dem ich irgendwie hin und her schreibe, sondern ich habe einen Agent, der auf dem System sitzt und das gesamte System benutzen und steuern kann und Aufgaben darin ausführen kann.
Das ist ja auch das Versprechen, was Agents uns gegeben haben.
Und den brauchen wir.
Also wenn wir einfach nur jetzt so ein Chatbot haben, Gibt es jetzt, also viele, viele Tools machen jetzt diesen Shift, ich komme auch gleich nochmal dazu, was es da so für Möglichkeiten gibt, dann wird das nicht funktionieren.
Also wir brauchen einen Agent, der Aufgaben ausführen kann und wir müssen in die Anweisungen reinkommen von diesem Agent.
Da gibt es ja aktuell in vielen Tools, sei das irgendwie ein ChatGBT oder Gemini, da kann man so im Hintergrund die persönlichen und Unternehmenseinstellungen anpassen als Kontext, aber wir brauchen da ein bisschen mehr Freiraum, um das Verhalten von diesem Agent genau steuern zu können.
Ich mache mal ein Beispiel, wer mit Claude arbeitet, der hat da dieses Markdown-File, was er anpassen kann oder hat dieses Soul-MD, wo man dem Agent eine gewisse Seele geben oder ihm sich selbst geben lassen kann und darüber das Verhalten von dem Agent steuert.
Das ist das, was ich damit meine.
Baustein Nummer zwei ist sind Skills.
Ich fasse das zusammen unter alles, was die Organisation kann.
Am Ende des Tages sind das detaillierte Prozessdokumentationen.
Schaut auch gerne mal in den letzten Newsletter rein, da habe ich ein ganzes Skill-Playbook veröffentlicht und genau beschrieben, was sind Skills, was sind die Unterschiede zu Prompts und zu Agents und wie haben wir die aufgebaut.
Bei uns sind das im Kern Arbeitsanweisungen.
wo aber auch definiert ist, welcher Kontext ist notwendig, um diese Aufgabe zu lösen, welche Schritte müssen gegangen werden, welche Tools müssen wann wie benutzt werden, was gibt es für Regeln, was gibt es für Einschränkungen und wie sieht die Definition of Done aus.
Also wie soll das Ergebnis am Ende aussehen?
Das ist am Ende einfach eine gute Prozessbeschreibung.
per Text drunter geschrieben, wo referenziert wird auf andere Dinge, die in diesem Prozess genutzt werden müssen, wie das in der Prozessbeschreibung aber auch der Fall ist.
Da sagt man ja auch so und jetzt öffnet Tool ABC und macht da XYZ.
Und es ist jetzt nicht super weit weg von einer Anweisung, die wir auch sonst vorher einem Agent oder einem Assistenten gegeben haben.
Das ist Baustein 2, die Skills.
Die müssen wir einmal dokumentieren, runterdokumentieren.
Alles, was die Organisation kann, kann man durch alle Teams, alle Abteilungen gehen und Schritt für Schritt anfangen, diese Dokumentation und dieses Skillset aufzubauen.
Denn natürlich kann jetzt der OS-Agent, der oben drauf sitzt, all diese Skills nutzen und all diese Prozesse damit steuern.
Baustein Nummer drei ist der Kontext.
Das fasse ich zusammen unter alles, was die Organisation weiß.
Also ein Kontext-Layer.
Was haben wir gemacht?
Wir haben, und auch da gibt es verschiedene Ansätze, es gibt jetzt so Wissensgrafen, Kontextgrafen, da kommt auch immer mehr Tooling in dem Bereich, weil total klar wird, dass ich die tollsten Anweisungen schreiben kann, aber wenn diesem Agent nicht klar ist, was in der Vergangenheit passiert ist und wie verschiedene Daten zusammenhängen und miteinander ins Verhältnis gesetzt werden müssen und wer welche Priorität hat, dann...
muss ich trotzdem die ganze Zeit nachschärfen.
Also wir brauchen den Kontext.
Der OS-Agent muss alles wissen, was die Organisation weiß.
Alles wissen, was der CEO weiß eigentlich am Ende des Tages.
Dann kann er Aufgaben so ausführen, wie es die Leute im Unternehmen machen würden.
Fehlt dort etwas, wird das wahrscheinlich schwierig werden.
Also, was haben wir gemacht?
Wir haben eine Datenbank aufgebaut, in der wir alle anderen Datenquellen, also es ist wie eine Landkarte für den OS-Agent, wo einmal alle Datenquellen beschrieben sind.
Was ist in welcher Datenquelle zu finden und wann soll die benutzt werden?
Für welche Skills sollen welche Datenquellen genutzt werden?
Das ist immer miteinander verlinkt.
Und wie stehen auch verschiedene Datenquellen im Verhältnis zu?
Das ist unsere Version von einer Art Wissensgraf.
Ich glaube, wir haben da wahrscheinlich so ein bisschen, wahrscheinlich gibt es auch noch andere Methoden, aber für uns funktioniert das sehr gut, weil der OS-Agent, der kann jetzt immer sich orientieren an dieser Karte, die er hat, sagen, ah, okay, hier finde ich folgende Informationen, aber wenn ich diese Daten benutze, muss ich auch noch berücksichtigen, dass ich dann auch noch hier reingucken muss.
Dann komme ich, weil das schließt sich dann natürlich an, Jetzt nur eine Landkarte aufzubauen, wie die Datenquellen im Unternehmen strukturiert sind und wo was zu finden ist, das ist ja nur der eine Teil.
Der nächste Teil ist natürlich, dass dann auch Schnittstellen bereitgestellt werden müssen.
Das sind, kann man dann zusammenfassen, also Tools, alle Systeme, die im Unternehmen genutzt werden.
Und auch hier wieder, natürlich kann der OS-Agent erst dann wirklich...
sehr, sehr viel der anfallenden Arbeit erledigen, wenn er auch auf alle Tools Zugriff hat, die auch die Menschen nutzen.
Weil wenn es hier auf bestimmte Tools keinen Zugriff gibt, dann kann er natürlich diese Aufgaben nicht ausführen und wir haben da einen Absprungpunkt zum Menschen.
Was okay sein kann, aber im Zielbild sollte KI auf alle Tools Zugriff haben.
Das heißt, wenn ihr verschiedene Daten Also sowas wie ein SharePoint oder so, wo viel Dokumentation, viel Wissen hinterlegt ist.
Alternativ Confluence oder eine Google Drive Struktur oder so.
Das ist natürlich ein Muss.
Wenn ihr Projekte in einem Asana managt oder in einem Notion oder in irgendeinem anderen Projektmanagement-Tool, sollte das auch da rein.
Genauso wie ein CRM.
Total wichtige Datenquelle für alles, was Marketing und Sales am Ende betrifft.
Produktdokumentationen, Marketing Cloud, euer CMS-System vielleicht für die Webseite.
Also wichtig, gebt KI Zugriff darauf, dass KI da nicht nur Daten rauslesen, sondern auch diese Tools benutzen kann, um Aufgaben auszuführen.
Diese Schnittstellen müssen geschaffen werden.
Umso stärker natürlich diese Datenquellen konsolidiert werden können.
Also ein Daten...
Plattform, Data Lakehouse Strukturen, wo man die KI draufsetzen lassen kann, umso besser, umso mehr Ansprachen von verschiedenen Daten, Quellen und Tools eine KI machen muss, umso höher natürlich auch das Risiko, dass da Fehler passieren.
Die aktuellen Modelle, gerade Opus 4.6 ist extrem gut darin geworden und das ist ja auch die große Veränderung, warum solche Sachen jetzt möglich werden, ist extrem gut darin geworden, über auch viele Schritte mit vielen Tool Calls, mit vielen unterschiedlichen Daten, die geladen werden müssen, trotzdem akkurat zu arbeiten.
Aber trotzdem würde ich immer versuchen, die Friktion so stark es geht rauszunehmen und Daten an einem Ort zu konsolidieren, wo eine KI dann zentral darauf zugreift.
Wie wir das gemacht haben, da komme ich gleich noch drauf.
Okay, also, wir haben jetzt den US-Agent, alles, was die Organisation kann.
Alles, was die Organisation weiß, alle Systeme, die genutzt werden.
Jetzt ist wichtig, wenn ich der KI-Zugriff auf all diese Dinge gebe, bei einigen von euch stellen sich vielleicht schon die Nackenhaare auf.
Es hat natürlich auch Risiken, die das mit sich bringt.
Deswegen ist der nächste Baustein alle Regeln, die bei uns gelten im Unternehmen.
Unter Governance lässt sich das zusammenfassen.
Und hier einmal ein Wechsel im Denken, den wir machen müssen.
Die aktuellen KI-Richtlinien, die in den Unternehmen implementiert sind, die sind vor allem für Menschen.
Da haben wir uns viel Mühe gegeben und viele Unternehmen sich monatelang hingesetzt mit Anwälten und Datenschützern und Compliance-Beauftragten und der IT und HR und was weiß ich wem nicht und haben 25-seitige Richtlinien geschrieben, wo alles im Detail beschrieben ist, welche Daten dürfen da rein und welche Tools dürfen benutzt werden und wie darf man mit den Ergebnissen weiterarbeiten oder auch nicht.
Und das Ganze müssen wir jetzt auch für KI machen.
Wir müssen jetzt dieses Regelwerk auch für eine KI schreiben, weil das, also bei uns, wir haben so ein Handbuch geschrieben, ein Governance-Handbuch, da haben wir eine Ampellogik mit eingebaut und haben in diese Ampellogik dann genau definiert, grün, gelb, rot.
Was ist grün?
Das kann die KI autonom machen, also beispielsweise ein Meeting, was transkribiert wurde, dokumentieren im System.
Da kann jetzt nicht so viel schief gehen.
Ich persönlich brauche da keinen Human in the Loop, der das nochmal kontrolliert, sondern es gibt ein zugrunde liegendes Transkript.
Das soll reingeschrieben werden in unseren Kontextlayer, in die Datenbank, damit dieser Kontext für die KI, die darauf arbeitet, zugänglich ist und sie weiß, was zuletzt passiert ist.
Das ist aber Das ist aber der autonome Layer.
Dann haben wir gelb.
Das ist alles, was KI zwar vorbereiten, aber nicht final ausführen oder rausschicken darf.
Beispiel, ein großer Block ist alles, was nach draußen geht bei uns.
Jede E-Mail, jedes Dokument.
Das darf alles erstellt und vorbereitet werden, aber es braucht immer eine Freigabe durch einen Menschen, bevor dann die nächste Aktion, welche auch immer das ist, von KI ausgeführt werden darf.
Und dann gibt es noch Rot, das sind zum Beispiel Personalentscheidungen oder solche Geschichten.
Wenn sowas reinkommt und getriggert wird, dann wird es sofort abgeblockt.
Und jede Aufgabe, jede Aktion von einer KI basiert auf diesem Regelwerk.
Das ist fest eingebaut in die Anweisung des Agents.
Das Handbuch muss immer auch als Kontext geladen werden, egal welche Aufgabe ausgeführt wird.
überall sind diese Regeln direkt systemisch mit integriert.
Und dann kommen wir noch zum letzten Punkt.
Denn jetzt könnt ihr euch vielleicht vorstellen, ich habe hier diesen Agent, der hockt auf meinem Betriebssystem und auf allem, was die Organisation kann, allem, was die Organisation weiß, welche Regeln bei uns gelten, welche Systeme wir nutzen.
Gegen den kann ich jetzt Aufgaben spielen und der hat dann eine Anweisung, wo genau beschrieben ist, also der hat jetzt keinen Charakter.
Das ist jetzt nicht der Superassistent mit 100-jähriger Erfahrung, sondern das ist quasi eine Hülle, die nur für die Ausführung der Skills da ist.
Und alles, was gemacht werden muss, steht nicht in den Anweisungen von dem US-Agenten, sondern ist in den Skills dokumentiert.
Und je nach Aufgabe sucht er sich dann den passenden Skill raus und führt den aus.
So, jetzt haben wir ja aber auch noch den Fall, das funktioniert auch super, wenn alle Leute bei uns im Team können gegen den Aufgaben spielen und der führt die dann halt aus.
Jetzt will ich ja aber auch noch eine höhere Automation reinbekommen in das System.
Und dafür haben wir...
so einen Agentic Layer, nennen wir das jetzt erstmal ganz cool, also so einen Agentic Layer gebaut, der auf dem System arbeitet und dann Aufgaben automatisiert.
Also wir haben einmal diesen OS-Agenten, nennen wir den mal, das ist der Superassistent und wir haben den Agentic Layer, der läuft automatisch die ganze Zeit durch.
Weil manchmal habe ich ja eine Aufgabe, die automatisch entsteht.
Zum Beispiel ein Meeting ist abgeschlossen und dann muss was gemacht werden.
Und da ist unsere Agentenkette folgende.
Nämlich erstens haben wir die Dokumentation von allem, was passiert.
Also eine E-Mail kommt rein, dann wird das dokumentiert im System.
Ein Meeting wird gemacht, dann wird das dokumentiert im System.
Ich mache meinen Weekly Review mit KI.
Reflexionsfragen bekomme.
Und dann wird das, was aus diesem Review rauskommt, dokumentiert im System und daraus entstehen vielleicht auch noch Aufgaben.
Das ist dann nämlich Punkt 2.
Nach der Dokumentation kommt dann die Aufgabenextraktion.
Also alles, was da dokumentiert wird, da werden dann Aufgaben rausgezogen.
Guckt sich wieder, das ist einfach ein Agent, der hat nur die Aufgabe zu gucken, was ist denn da reingekommen an Dokumentationen aus Meetings, Mails, Weekly Review und was sind denn da für Aufgaben entstanden?
Hat zum Beispiel der Kunde gesagt, ja schick mir mal ein Angebot zu, dann ist das eine Aufgabe, die dann gemacht werden muss nach dem Kundentermin.
Und das wird dann in eine Aufgabendatenbank eingeschrieben.
In dieser Aufgabendatenbank, bei jeder neuen Aufgabe, die reinkommt, wird dann ein neuer Agent ausgelöst.
Das ist der Skill-Scout.
Der hat jetzt nur die Aufgabe, in unserer Skill-Datenbank, wo wir alle unsere Skills dokumentiert haben, zu gucken, was habe ich denn da an möglichen Skills, die ich nutzen kann, um die Aufgaben zu erledigen, die da reinkommen.
Also zum Beispiel Angebot erstellen ist ein Skill bei uns.
Und dann wird das zugewiesen zu dieser Aufgabe.
Dann gibt es einen Skill-Executor, das ist dann der nächste Agent, der guckt dann, okay, hier wurde ein neuer Skill zugewiesen, dann führe ich den jetzt aus.
Der macht quasi das gleiche wie der US-Agent, aber der kann das jetzt halt automatisch machen.
Und der hat nur die Aufgabe, diesen Skill und was da dokumentiert ist, auszuführen.
Der ist ansonsten total dumm und charakterlos.
Und dann führt er den aus und manchmal funktioniert irgendwas nicht.
Ich weiß nicht, es gibt einen Fehler mit einer Schnittstelle oder in der Aufgabenbeschreibung stand noch irgendwas drin, wo der Agent nicht weiß, wie er damit umgehen soll.
Und dann dokumentiert der das und schreibt das auf und sagt, hey, pass auf, hier ist ein Fehler passiert.
Oder hier wurde etwas Spezifisches angefragt und ich weiß anhand von der Skillbeschreibung nicht, wie ich damit umgehen soll.
Und macht dann einen Vorschlag, was man...
im System anpassen könnte, also dass Kontext benötigt wird, dass eine Schnittstelle benötigt wird, dass eine bestimmte Anpassung der Skill-Anweisung notwendig ist und dokumentiert das in einer Feedback-Datenbank.
Und dann kommt ein weiterer Agent, der nimmt dieses Feedback, guckt sich das an und schreibt das in eine Feedback-Datenbank rein, die wir uns dann angucken und entscheiden, welches von diesem Feedback wollen wir einbauen.
Agenten-Layer, der in sich aber eigentlich so gesehen dumm ist, also das sind jetzt nicht irgendwelche KI-Mitarbeiter-Personas, sondern der eine dokumentiert einfach, der nächste extrahiert die Aufgaben, der dritte sucht die Skills, der vierte führt die Skills aus, der fünfte lockt das Feedback.
Und diese Kette, die kann die ganze Zeit immer wieder arbeiten.
Aber...
die müssen jetzt nicht extrem viel Kontext oder so mit sich rumschleppen, weil die sind eigentlich alle mega schlank gehalten.
Das sind auch nur ein paar Zeilen System Prompt, die in den Agents drin sind, weil die bedienen sich ja dann immer an den richtigen Skills, an dem notwendigen Kontext, an den notwendigen Tools und können trotzdem automatisch ablaufen.
Und das ist so für uns ein ganz guter Weg gewesen, um da eine gewisse Kontrolle drin zu haben, weil wir verschiedene Schritte haben und nicht alles in einen Agent reinstopfen, der dann irgendwelche Sachen automatisch im Hintergrund macht.
Und gleichzeitig die Skalierbarkeit hinzubekommen, weil dieser Layer auf allen Skills und dem gesamten Kontext arbeiten kann.
Letzter Baustein ist dann eine Lernschleife, die wir im System eingebaut haben.
Auf zwei Wege.
Also Weg 1 ist, es gibt so einen Silent Patch, nennen wir das.
Also ich gebe dem OS-Agent eine Aufgabe, der führt die aus und ich gebe dem Feedback.
Schreibe einen LinkedIn-Post, dann schreibt er einen LinkedIn-Post und dann sind da Hashtags unten drin und dann sage ich ihm, nimm die Hashtags raus.
Das ist ein Feedback und was er dann direkt macht, ist den Skill, den er ausgeführt hat.
LinkedIn-Post erstellen, das ist der Skill, dort das Feedback einzuarbeiten, was ich gegeben habe, dass beim nächsten Mal ich nicht mehr sagen muss, nimm die Hashtags raus.
Ganz einfach, das ist sehr simpel.
Und der zweite Punkt ist, dass wir diese Feedback-Datenbank haben und das ist aktuell noch ein Human-in-the-Loop-Prozess.
Also da wird sämtliches Feedback, was durch die gesamte durch die gesamte Ausführung im System erzeugt wird, gespeichert und wir müssen dann aber freigeben, was davon eingebaut werden soll.
Wenn wir es aber freigeben, dann wird quasi, was auch immer das Feedback ist, von dem Agent genommen und dann wird der Skill angepasst oder es wird irgendwie in einer Datenbank eine neue...
ein neuer Datenpunkt, eine neue Property mit aufgenommen, die in Zukunft gepflegt wird oder was auch immer es ist.
Das kann sehr unterschiedlich sein, was notwendig ist, damit der Agent in Zukunft besser arbeiten kann.
Wir hatten das auch mal automatisiert, also dass jedes Feedback, was in der Feedback-Datenbank landet, auch automatisch direkt wieder ins System eingebaut wird.
Aber da haben wir gemerkt, dass das schon dann sehr...
Also weil das sind ja Dutzende bis Hunderte Aktionen, die da die ganze Zeit laufen.
Also auch viel Feedback, was da reinläuft.
Und das gerät dann so ein bisschen aus dem Ruder, weil dann irgendwann sehr schwer nachzuvollziehen ist, was hat sich jetzt wann wirklich genau verändert.
Und wir mussten dann hin und wieder schon eine Rolle rückwärts machen.
Und deswegen haben wir gesagt, komm, wir bauen da ein Gate ein, wo wir uns das anschauen und erst freigeben, bevor es ins System implementiert wird.
Also das waren jetzt die Bausteine.
OS-Agent mit einer Anweisung, die wir dem geben können.
Dann haben wir alles, was die Organisation weiß.
weiß der Kontext, alles was die Organisation kann, die Skills, welche Regeln gelten, die Governance, dann welche Systeme genutzt werden, das sind die Tools.
Wir haben diesen Agentic Layer mit den fünf Agents, die in der Kette arbeiten und wir haben eine Lernschleife auf verschiedene Wege mit drin.
Das ist einfach auch eine Art systemisches Design, was wir damit erreichen wollten.
Das Grundprinzip ist, dass wir alles, was wir vorher in unseren ganz vielen spezialisierten Agents hatten, vor allem in die Skills und in den Kontext, geschoben haben, damit wir jetzt eine viel, viel schlankere Struktur haben, die viel, viel skalierbarer ist und auf diesem gesamten System sämtlicher Aufgaben und Arbeit ausführen kann.
Und wir müssen jetzt einfach, einfach, in Anführungszeichen, müssen wir zusehen.
dass wir alles, was bei uns passiert, alles, was wir können, neue Prozesse sauber in die Skills reinbekommen, dass wir den Kontext aktuell halten, also altes raus, neues rein und dass wir unser Regelwerk fortlaufend erweitern, wenn wir merken, dass neue Regeln notwendig sind und die Tools bereitstellen, mit denen dieses System und die Agents darauf arbeiten müssen.
Dann, und das ist ja weiterhin meine These, kann ein immer größerer Anteil von digitaler Arbeit aus diesem System heraus erledigt werden.
Und es wird die operative Grundlage des Unternehmens, deswegen auch der Name Betriebssystem.
So, weiter geht's.
Wie arbeitet jetzt dieses System?
Und ich gehe da jetzt mal relativ flott durch, weil ich es schon in Teilen gesagt habe.
Also, Input Weg 1 ist...
ähnlich wie wir das heute oft mit KI machen.
Das ist alles, was Augmentation ist.
Also ich sitze hier, ich muss was machen.
Ich arbeite zum Beispiel gerade an einer Keynote, okay?
Und dann mache ich meinen OS-Agent auf und sage, pass auf, ich arbeite hier gerade an meiner Keynote.
Helf mir mal bitte, hier diesen Talk-Track und die Folien zum Beispiel auszuarbeiten.
Und dann gibt es...
diese Aufgabe gebe ich rein, spreche da meistens einfach rein und erkläre, was ist das Ziel, ich erkläre auch viel mehr, was das Ziel ist, wo ich eigentlich hin will, weil dann geht der Agent los und guckt natürlich, okay, was muss hier getan werden, welche Skills habe ich, um das zu tun, welchen Kontext muss ich laden, um diesen Skill ausführen zu können, brauche ich noch irgendwelche Tools, die dafür notwendig sind und dann Da wird entweder die Aufgabe direkt ausgeführt oder es geht halt in eine Konversation, in ein Sparing, je nachdem, was das für eine Aufgabe sein soll.
Aber das ist quasi ich in der Zusammenarbeit mit diesem OS-Agenten, der auf dem System sitzt, das gesamte System steuern und nutzen kann.
Zweiter Weg ist diese Agentenkette, also die Automation, die im Hintergrund abläuft.
Ich habe es gerade eben schon gesagt, ich wiederhole es einfach.
Jetzt nochmal ganz kurz.
Ich habe einen Kundentermin, der ist fertig.
Dann wird dieser Kundentermin, aus dem Transkript wird eine Dokumentation erstellt, in eine Datenbank reingeschrieben.
Dann kommt der nächste Agent, der guckt sich an, okay, was muss da jetzt getan werden?
Und dann muss ich vielleicht ein Angebot erstellen, einen Referenzcase aufbereiten und vielleicht noch irgendwas anderes tun.
Dann werden diese drei Aufgaben in eine Datenbank.
in die Aufgabendatenbank geschrieben.
Da guckt dann der nächste Agent drauf.
Okay, super, hier sind drei neue Aufgaben.
Was habe ich denn für Skills, um diese Aufgaben erledigen zu können?
Und matcht die dann mit den Aufgaben.
Und dann kommt der nächste Agent, der sagt, okay, hier wurden drei neue Skills eingetragen.
Die muss ich jetzt ausführen.
Und der füllt einfach alle parallel aus.
Es ist ja nicht so, dass das nur ein Agent ist, sondern die können sich ja ...
Also unbegrenzt oft duplizieren und parallel arbeiten.
Also dann werden alle diese Aufgaben ausgeführt.
Wenn irgendwelche Fehler aufgetreten sind, werden diese dokumentiert und dann kommt der nächste Agent und loggt dieses Feedback.
So, jetzt haben wir da noch was eingebaut, auch einfach systemisch so designt in den Anweisungen der Agents.
Nämlich, was ist denn jetzt, wenn der Skill-Scout in der Aufgabendatenbank keinen passenden Skill findet?
Sondern würde es ja nicht weitergehen.
Und was wir da gemacht haben, ist, dass der, wenn er keinen passenden findet, soll er den Skill erstellen nutzen und einen neuen Skill erstellen.
Mit dem Kontext, den er hat und den Anweisungen, wie wir neue Skills erstellen, soll er einfach mal sein Best Guess raushauen.
Wie würde er es machen?
Und dann diesen neu erstellten Skill, der dann natürlich auch in unserer Skill-Datenbank landet.
der Aufgabe zuweisen.
Weil das so gut ist, vielleicht ist die Aufgabenausführung nicht perfekt, aber wir haben ein System, was sich jetzt schon mal erweitert hat, einen Schritt, also es kann mehr, und wir gucken uns ja dann das Ergebnis an, was daraus entstanden ist, und können ja wieder Feedback geben und sagen, pass auf, so und so, das muss noch geändert werden, und dieses Feedback kann wieder direkt in den Skill reinfließen, der dadurch besser wird.
Und dadurch haben wir ein System, was ...
fortlaufend lernt, sich erweitert und mit der Zeit immer besser und flexibler wird.
Wir haben weniger blinde Flecken.
Auch hier ist natürlich wichtig, dass es da wieder einen Human-in-the-Loop-Prozess gibt.
Also der macht einmal diese Ausführung, aber danach gibt es eine Qualitätskontrolle von dem Skill und der muss weiter verbessert werden, bevor der das nächste Mal ausgeführt werden kann und muss freigegeben werden.
So, das sind die zwei Input-Wege.
Ich habe Augmentation und ich habe Automation, ähnlich wie das heute auch in vielen KI-Plattformen schon möglich ist.
So, jetzt kam ein Einwand aus der Community, den fand ich interessant.
Und zwar hat jemand geschrieben, sie geht nicht so richtig mit, dass wir in Zukunft diese Organisationsstrukturen für Agenten nicht mehr brauchen, weil in verschiedenen Tests rauskam, dass Open Claw mit spezialisierten Agents dass sie besser performen, als wenn sie spezialisierte Agent sind und einen Orchestrator haben, weil sie nicht den gesamten Kontext laden müssen.
Genau richtig.
Also absolut, wenn wir in einen Agent den gesamten Kontext und super viele Systemanweisungen reinpressen, dann musst du diesen ganzen Kontext wie so einen riesigen schweren Rucksack die ganze Zeit mit sich rumschleppen.
Und wer mal wandern gegangen ist mit so einem riesigen schweren Rucksack, der weiß, dass das irgendwann sehr anstrengend wird und man sich dann immer mal wieder hinsetzen muss.
Oder einem die Puste ausgeht.
Das ist bei den Agents nicht anders.
Und deswegen ist eben Best Practice, so sagen wir bauen das eben möglichst modular und dynamisch auf, sodass immer nur dann der Kontext und die Skills gezogen werden müssen, die in dem Moment notwendig sind für die Erledigung der Aufgabe.
Und ich glaube, es sollte jetzt klar...
geworden sein, so wie wir unser System aufgebaut haben.
Es ist ein ganz, ganz wichtiges Designprinzip, dass eben das Kontextfenster immer minimal belastet wird und wirklich immer nur die Dinge reingezogen werden, die jetzt für die Erledigung dieser Aufgabe notwendig sind.
Alright, also, das waren jetzt die Bausteine, wie das System arbeitet.
Weiter geht's mit den Voraussetzungen.
Was brauchen wir jetzt dafür?
Wahrscheinlich fragt ihr euch, okay, gut, jetzt klingt alles im Konzept, hoffentlich schlüssig.
Wie haben wir das jetzt gemacht?
Also technische Voraussetzungen.
Wir brauchen erstmal einen Agent, der auf euren Daten und den Systemen sitzen kann.
Wir brauchen diese Struktur von diesem, wir nennen es OS-Agent, andere nennen es jetzt General Purpose Agent, Super Agent, whatever Agent.
Die, die das, wo man das am besten sehen kann, was das ist, ist Claude.
Weil Claude geht ja einen ganz anderen Weg.
als die anderen Anbieter.
Sei das auch ein Co-Pilot, ein ChatGPT, ein LangDog und so.
Die sind ja sehr stark erstmal auf Agents gegangen.
Also wir bauen ganz viele spezialisierte Agents.
Und wir haben das auch gemacht.
Fast zwei Jahre lang haben wir das mit unserem KI-Team aufgebaut.
Claude geht ja einen ganz anderen Weg.
Die sagen, wir bauen nur einen Agent.
Und dieser Agent, der kann aber alles machen.
Und genau das ist aber...
Ich hoffe auch, dass es jetzt klar geworden ist.
Meiner Meinung nach ist das die überlegene Architektur, die vor allem jetzt, wo die darunterliegenden Modelle so leistungsfähig geworden sind, die meisten spezialisierten Agents überflüssig machen wird.
Beziehungsweise werden wir diese spezialisierten Agents einfach in Skills übertragen.
Okay, also Claude kann das heute schon.
ChatGPT geht jetzt auch in diese Richtung.
In den Business Accounts kommt das jetzt schon.
Die haben jetzt schon Skills eingeführt und werden jetzt immer mehr dahin gehen, dass ChatGBT kein Chatbot mehr ist, sondern dass das ein Agent wird.
Ein einziger Agent.
Und da kannst du dann deinen ganzen Daten anschließen.
Du kannst dort deine Skills drin aufbauen und hoffentlich auch, kommst du auch an die zugrunde liegende Anweisungen von diesem allgemeinen Agent ran, um sein Verhalten bestimmen zu können.
Langdoc hat jetzt auch schon Skills eingeführt und wir sehen, sehr wahrscheinlich wird das jetzt auch in diese Richtung gehen, dass wir da bald so einen allgemeinen Agent sehen, der alle möglichen Tools bedienen kann, Skills nutzen kann, indem wir Zugriff auf unsere Daten geben können.
So, you name it.
Copilot hat Copilot Cowork angekündigt und ist, glaube ich, geht jetzt in den USA wahrscheinlich schon los.
Schaut mal nach Copilot Cowork, da könnt ihr auch sehr, sehr schön sehen.
Das ist genau diese Logik.
dass wir nämlich diesen einen allgemeinen Agent haben, der jetzt natürlich im Microsoft-Universum sämtliche Apps, die es dort gibt, nutzen und auch auf den Daten arbeiten kann.
Also der kann jetzt nicht nur aus SharePoint sich irgendwas rausziehen, sondern der kann dann auch eine SharePoint-Datenbank erstellen und die befüllen mit irgendwelchen Sachen.
Das ist genau die Logik, über die wir hier sprechen.
Wir brauchen natürlich einmal dieses technische Konstrukt, da gehen jetzt alle hin, das wird der neue Goldstandard sein, in den nächsten Monaten ist das klar, es gibt keine Chatbots mehr, es gibt nur noch General Purpose Agents, die Skills ausführen können, Zugriff auf Daten haben, Zugriff auf Tools haben und gegen die kannst du dann alle möglichen Aufgaben spielen.
Konfigurierbare Anweisungen sind natürlich wichtig, weil ich muss dem Agent, also ich kann schon noch sehr viel steuern, zum Beispiel was die Governance angeht, verschiedene Skills und Daten gezogen werden sollen über die Systemanweisungen.
Und da sehe ich aktuell, also das wird wahrscheinlich auch kommen, aber das brauchen wir auch.
Aktuell in Claude wäre das diese Agent-MD, die man konfigurieren kann, oder eben diese Soul-MD.
Außerdem muss der Agent lesen und schreiben können.
Habe ich jetzt auch schon gesagt.
Also ein Chatbot wäre cool, der kann ...
sich irgendwelche Dokumente durchlesen und mir dazu Fragen beantworten.
Aber eigentlich soll der nicht nur lesen, sondern der soll auch neue Dokumente erstellen und in Dokumente reinschreiben oder in Datenbanken oder in Tools, um dort Aktionen ausführen zu können.
Das ist alles, was die Augmentation ist.
Das kommt jetzt.
Dann brauchen wir noch diesen Agentic Layer, also spezialisierte Agents, die Dinge machen können.
Da bin ich mal gespannt, wie Claude das machen wird.
Also in Claude Code kann man sich jetzt, kann man sich schon auch so Agents, Sub-Agents bauen.
In Claude Cowork, da gibt es jetzt immer mehr von diesen, ich glaube Loops nennen sie das.
Also, dass verschiedene Aktionen in wiederkehrenden Zeitschleifen, also alle 30 Minuten zum Beispiel, ausgeführt werden.
Aber dann auch wieder von diesem allgemeinen Agent.
Nicht von irgendwelchen spezialisierten Agents, sondern von diesem allgemeinen Agent.
In LangDoc gibt es natürlich auch schon Agents und Workflows, in Copilot auch.
Also das ist super, da ist genau die Basis da, um zum Beispiel so eine Agentenkette aufzubauen, wie wir das gemacht haben.
Skills müssen definierbar sein, kommt jetzt überall.
Und natürlich müssen Schnittstellen da sein zu Drittsystemen, die genutzt werden.
Weil wenn KI da nicht rankommt an die Daten oder die Tools nicht bedienen kann, dann sind wir natürlich maximal begrenzt.
So, wir haben uns da alles mögliche angeschaut und vor allem lag bei uns die Entscheidung zwischen Claude Code als Setup und einem Notion Setup.
Ich erkläre das jetzt einmal kurz.
Also, mit Claude Code hat man die maximale Flexibilität.
Also, weil ihr könnt genau alles so bauen, wie ich das gerade gesagt habe.
Es kommt nur mit dem...
Nachteil geht es einher, dass man die gesamte Arbeitsweise vom Team relativ stark ändern muss, wie ich finde, weil Cloud Code eben aus dem Terminal bedient wird und weil vor allem auch die Ablagestruktur von Dokumenten und Daten am besten eben in diesen Markdown-Dateien passiert, die dann in GitHub-Repositories organisiert werden.
Das kann man machen.
Meiner Meinung nach ist das für, und wir wachsen jetzt auch als Team, schon ein relativ großer Change in der Art und Weise, wie das gesamte Team arbeiten muss.
Und meiner Meinung nach funktioniert das nur, wenn alle wirklich so und damit arbeiten.
Trotzdem ist das das vielseitigste System.
Der Vorteil von Cloud Code ist natürlich, dass du in Cloud Code dir selbstständig Applikationen coden kannst, also kleinen Tools, die Cloud dann immer wieder ausführt und nutzt.
Und damit ist natürlich super, super flexibel, was man damit machen kann.
Also für insbesondere wer, und das machen auch gerade ganz viele, Solo-Unternehmer oder wirklich sehr kleine Teams aus zwei, drei Leuten geht wahrscheinlich auch bis zehn Leute noch ganz gut.
Ich kenne jetzt noch nicht so viele, die das in größeren Setups machen.
Trotzdem ein total klarer Weg, den man gehen kann.
Wir hatten in den letzten Monaten schon immer mehr...
Daten in Notion reingezogen und Notion quasi als unser Kernsystem aufgebaut und da viel mehr konsolidiert.
Also wir haben dort unser CRM aufgebaut, unsere gesamte Dokumentation ist natürlich da drin, unser gesamtes Projektmanagement ist da drin, die ganze Organisation vom Unternehmen.
Wir haben dort unsere E-Mails und unseren Kalender.
Wir haben dort unseren Drive angeschlossen, wo Dateien abgelegt werden.
Wir machen darüber die Projektorganisation mit unseren Wir haben dort alle Informationen, die auf unserer Webseite sind.
Da ist Notion die Datenbank, die dahinter liegt, mit der dann die Website-Inhalte synchronisiert werden.
All unser Content, den wir erstellen, ist in Notion drin.
Also es ist alles in Notion drin.
Und Notion, das haben wir uns dann angeschaut, weil die hatten eine KI.
Und ich fand die lange Zeit jetzt nicht besonders doll, weil da konnte ich eigentlich ein paar Fragen stellen zu meinen Informationen, die ich da drin habe.
Das hat mir nicht so weit geholfen.
Deswegen haben wir auch komplett mit Langdoc gearbeitet.
Da hatte ich auch schon mal drüber gesprochen.
Das war immer unser KI-Layer.
Und wird es wahrscheinlich wieder auch.
Da komme ich gleich nochmal drauf.
Aber wir haben dann uns nochmal die Notion-KI angeschaut.
Und die haben da richtig Gas gegeben mit der KI-Integration.
Und alles, was ich jetzt vorhin erzählt habe, lässt sich dort eben sehr, sehr gut umsetzen.
Sehr gut.
Und deswegen war Notion für uns, weil wir haben eh die ganze Zeit damit gearbeitet, da waren all unsere Daten drin, die KI-Funktionen waren mittlerweile auf einem Punkt, wo man alles, was ich gesagt habe, umsetzen kann.
Das war für uns der einfachste Weg, um jetzt erstmal anzufangen und damit zu arbeiten.
Und es funktioniert auch wunderbar mit einem kleinen Aber.
Und das Aber ist, dass wir aus Notion relativ begrenzt sind, wie wir aus dem System rauskommen können.
Alles, was in Notion passiert, funktioniert wunderbar.
Da wir relativ viele Notion machen oder fast alles, ist das auch super für uns ganz speziell.
Ihr müsst jetzt bitte nicht alle auf Notion wechseln.
Aber wir brauchen natürlich noch so einen Weg nach außen.
Und dadurch, dass Langdoc jetzt eben auch weiter an neuen Funktionen arbeitet, die Workflows, die wir dort auch schon aufgesetzt hatten, noch mehr Flexibilität bieten, um verschiedene andere Systeme miteinander zu verbinden und darauf zu arbeiten.
Es dort auch alle möglichen Agent-Funktionen gibt.
Es jetzt auch die Skill-Funktion darauf gibt, werden wir uns, wenn da jetzt mal die nächsten Wochen vergangen sind und wir sehen, wie Langdoc das...
Thema auch technisch umgesetzt hat, werden wir uns nochmal anschauen, wie wir LangDoc da als AI-Layer auf dieses System draufsetzen können, was ich euch schon erzählt habe.
Und natürlich, Google wird da auch nicht tatenlos drauf zusehen.
Wir sind auch im Google Workspace unterwegs.
Das könnte also auch eine Option sein.
Wichtig ist einfach, wir wissen ja alle nicht, wie sich jetzt die Karten nochmal mischen werden, auch von den großen KI-Anbietern, wie sich die Produkte weiterentwickeln, wie gut sie es schaffen, die Fähigkeiten, die die Modelle mitbringen, in Produkte und Funktionen zu überführen.
Und deswegen bin ich immer gar kein großer Fan davon, die ganze Zeit zwischen Tools hin und her zu höpfen, weil da wird man nie mit fertig.
Immer wird irgendjemand die Nase ein bisschen weiter vorne haben.
Das Wichtigste an diesem System ist, die Struktur zu bauen, die ich euch vorhin gesagt habe.
Wir haben den OS-Agent und die Anweisung.
Alles, was die Organisation kann als Skills.
Alles, was die Organisation weiß als Kontext.
Wir brauchen eine klare Governance, ein Handbuch, was KI darf und was nicht.
Wir müssen Schnittstellen zu unseren Systemen schaffen.
Wir haben diesen Agentic-Layer und so ein paar Design-Prinzipien mit eingebaut.
Und das lässt sich am Ende überall hin übertragen und überführen, wenn wir das einmal aufgebaut haben.
Und deswegen immer schauen.
Was nutzt ihr heute?
Wo steht ihr da?
Wo steht ihr da jetzt?
Und wie lassen sich die KI-Funktionen von dem, was ihr habt, da gut drauf aufsetzen?
Und ich glaube, jeder, der da jetzt von den Spielern, die ich gerade schon genannt habe, denen unterwegs ist und auch andere Startups arbeiten daran und gehen stärker in die Richtung, einfach noch ein bisschen Ruhe bewahren.
Und es kommen jetzt die technischen Möglichkeiten immer mehr, um das, was ich euch bisher erzählt habe, umzusetzen.
Genau, es muss jetzt auch nicht jede Firma irgendwie auf ein komplettes Cloud-Code-Setup wechseln oder sich da nervös machen lassen.
Wichtig ist eh am Ende vollkommen, also der Wert entsteht sowieso dadurch, wie gut ihr darin seid, eure Daten im Griff zu haben und wie gut ihr darin seid, eure Prozesse zu bauen, damit KI das ausführen kann.
Und ihr braucht Kompetenzen im Team, dass eure Leute verstehen.
wie sie mit KI arbeiten müssen.
Das sind eh die aller, aller wichtigsten Punkte und die Technik macht das dann am Ende nur möglich, aber wird keinen Differenziator darstellen.
So, jetzt hatten wir die technischen Voraussetzungen.
Jetzt kommen wir nochmal zu den organisatorischen Voraussetzungen.
Da habe ich mir mal drei Punkte aufgeschrieben.
Erstens, wir müssen organisatorisch anfangen, unser Unternehmen so umzubauen, dass KI darin optimal arbeiten kann.
Und nicht mehr, dass Menschen darin, nur Menschen darin optimal arbeiten können.
Das ist ein wichtiger Mindset-Shift, weil KI einen immer größeren Anteil der digitalen Arbeit übernehmen wird.
Das verschiebt sich dahin.
Deswegen müssen wir es mitdenken.
Was heißt das für mich?
Für mich bedeutet das, dass wir alles, was wir machen, für KI demokratisieren.
Und ich wiederhole es nochmal, weil es einfach...
so wichtig ist, alles was wir können, alles was wir wissen, alle Systeme, die wir nutzen, alle Regeln, die gelten, muss KI kennen und genauso darauf Zugriff haben wie Menschen.
Weil KI nicht unbedingt schöne, bunte PowerPoint-Folien lesen muss, um Dinge zu verstehen oder überzeugt zu werden, heißt das zum Beispiel auch alles sauber als Markdown-Texte zu dokumentieren, wenn wir jetzt anfangen, Datenbanken aufzubauen, wo Prozessdokumentationen drin sind, dann haben wir da keine BPMN-Flowcharts zum Beispiel, sondern wir haben das einfach per Text runtergeschrieben, wo natürlich auch alle Sonderfälle, Abzweigungen und so trotzdem drin sind.
Die Dokumentation lassen wir uns natürlich auch von KI schreiben und haben mit KI einen Standard erarbeitet, wie wir das LLM gerecht optimiert diese Dokumentation aufbauen können.
Also Punkt 1 ist, Gib KI alles, was sein Unternehmen hat.
Punkt zwei ist dann, entscheide, was KI darf und was nicht.
Das ist diese Governance, weil wenn KI natürlich auf all diese Dinge Zugriff hat, müssen ganz klare Regeln gelten, was KI darf und was nicht.
Wo gibt es menschliche Qualitätstore?
Was sind vielleicht auch Daten, mit denen KI nicht arbeiten darf?
Wenn ihr nicht medizinischen Sektor oder so unterwegs seid, dann würde ich da immer noch mal so ein Sternchen dran machen.
Und das wären dann vielleicht Daten, wo KI nicht dran darf.
Und dann muss man da eben sich so organisieren, dass das im Weiteren Prozesse sind, die stark von Menschen ausgeführt werden.
So, entscheiden, was KI darf und was nicht.
Drittes, und das ist der wichtigste Punkt, meiner Meinung nach, und der schwierigste zur gleichen Zeit.
Und zwar müssen wir am System arbeiten und nicht im System.
Wenn wir jetzt so ein tolles KI-Betriebssystem aufbauen, wo wir unsere Agentenkette haben, die diese ganzen Aufgaben findet, Skills findet, Skills ausführt und parallel setze ich mich nach meinem Meeting trotzdem hin und schreibe dieses Angebot für den Kunden und glaub mir, das passiert mir auch gerade noch tagtäglich, dass ich Sachen mache und danach in meine Aufgabendatenbank gucke, wo die KI das Ergebnis schon dokumentiert hat, weil sie es ja auch gemacht hat.
Also dieses Umdenken von ich mache die Arbeit hin zu ich baue das System, das die Arbeit macht, das ist echt nicht einfach.
Das ist ein riesen Change, aber es ist so, so wichtig, weil nur so kommen wir dahin, dass wir das Potenzial, was dadurch entsteht, auch gehoben bekommen.
Wenn ich jetzt hier die ganze Zeit noch weiterhin so arbeite wie wie vorher, dann wird das ja nix.
Okay, also, ich habe mir jetzt einen Zettel an meinen Bildschirm geklebt, arbeite am System und nicht im System.
Mein Fokus muss viel stärker dahin gehen, Skills zu kontrollieren und zu verbessern.
die Ergebnisse von KI zu kontrollieren und zu verbessern, anstatt das selbst zu machen.
Kontext, der entsteht, wenn ich irgendwo unterwegs bin, ins System wiederzubringen, indem ich, weiß ich nicht, eine lange Sprachnachricht aufnehme, die wieder als Kontext-Artefakt hinterlegt wird, indem ich, ja, indem ich vor allem, vor allem die Skills und den Kontext aktuell halte und erweitere und B, mir die...
Outputs von der KI anschaue und Feedbacke, so dass die Skills dann wieder verbessert werden können oder was auch immer im System verbessert werden muss, damit das in Zukunft nicht mehr passiert.
Und wenn jede Person im Team das macht und so arbeitet, dann wird das System die ganze Zeit besser, kann einen immer größeren Anteil der Arbeit erledigen und wir haben immer mehr Kapazität, die wir für andere Dinge einsetzen können.
Wofür setzen wir das ein?
Natürlich alles, was menschlich ist, Kunden, alles, was auf unsere Produktqualität einzahlt, Innovation, mehr Gas geben können, um die besten Produkte, besten Services für unsere Kunden zum besten Preis anbieten zu können.
Und ich glaube, dass durch beschleunigende KI immer auch fortgeschrittene KI-Transformationen und KI-Integrationen in Unternehmen einfach eine enorme Beschleunigung in unsere Welt kommen wird.
Dinge, wir werden, wenn wir vorher vier Produkte im Jahr auf den Markt gebracht haben, dann werden das jetzt halt zwölf, weil es halt alle machen.
Und es wird immer personalisierter werden und es wird einfach ein neues Normal an Geschwindigkeit geben.
Ich glaube auch, dass diese Entwicklung kommen wird.
Ich kann jetzt nur in die Glaskugel gucken.
Das sind mal so die ersten Gedanken und Erkenntnisse, die ich auch dazu habe.
Aber ich glaube, es ist erst mal eine riesengroße Chance, dass wir eigentlich damit die Chance haben, wieder viel menschlicher zu arbeiten, weil wir unsere Zeit, die wir haben, für das einsetzen können, wofür wir unseren Job mal angetreten sind.
Ja, sonst noch abschließend paar Gedanken, die ich teilen möchte.
Ich glaube, dass KI als Betriebssystem aufzubauen ein Riesenhebel für die Adaption im Unternehmen ist, weil ein Großteil der Leute muss einfach nicht mehr lernen, da die super Prompts zu schreiben.
Wir müssen stattdessen...
Was noch wichtiger wird, delegieren lernen, Aufgaben wirklich abzugeben.
Das ist wieder dieses, ich arbeite am System oder mit dem System, anstatt im System zu arbeiten.
Aber um das zu erklären, wenn es ein paar Leute gibt, die die Skills sauber aufbauen und dokumentieren und aktuell halten, dann kann ein Großteil der Leute im Unternehmen, ohne zu wissen, dass ich jetzt hier einen Agent oder einen Assistenten oder so benutzen muss, einfach in diesen allgemeinen Agent die Aufgabe reingeben.
Der sucht sich den Skill, führt den aus, wie es vorgegeben ist, lädt den Kontext, der notwendig ist und ein Großteil der Menschen bekommt viel, viel, viel bessere Ergebnisse raus, als es vorher der Fall war, ohne große Prompting-Skills zu haben.
Trotzdem muss man natürlich erstmal daran denken, das zu benutzen und das verstehen, was da passiert.
Also grundlegende KI-Kompetenz, Offenheit dafür und natürlich diese Verhaltensänderung bleibt weiterhin enorm wichtig.
Systemisches Denken wird nochmal extrem viel wichtiger zu verstehen, wie hängen denn einzelne Punkte miteinander zusammen und die alle mitzudenken, damit ich nicht nur an einem Teil des Systems schraube und den anderen vergesse.
Wir haben bei uns auch in jedem Skill hinterlegt, wenn wir an diesem Skill was verändern, was sind alle Punkte im System, die wir mitändern müssen.
beziehungsweise machen wir das dann nicht selbst, sondern es macht dann die KI.
Aber wenn ich am Skill was verändere, dann muss ich vielleicht bei einem anderen Skill auch was verändern, der damit zusammenhängt.
Und ich muss wahrscheinlich auch im Kontext was verändern.
Und vielleicht muss ich auch in einer Datenbank was verändern, auf die dann zugegriffen wird.
Und vielleicht muss ich auch noch irgendwo anders Anpassungen vornehmen, damit dann nichts vergessen wird.
Aber dieses systemische Denken, wie hängen Dinge zusammen, das ...
Das wird wichtiger werden.
Und auch einfach Systeme aufzubauen, die in sich geschlossen sind, weil diese mit KI dann ja nochmal viel, viel stärker gehebelt werden können.
Weiterer Gedanke, bloß jetzt nicht in 100%-Lösung denken.
Das ist sowieso immer der Tod.
Ich erlebe aber...
dieses Verhalten im KI-Bereich so oft, dass immer direkt versucht wird, wie können wir jetzt hier diesen gesamten Prozess AI-First aufbauen?
Wie können wir unser gesamtes AI-First-Unternehmen entwickeln?
Wie können wir jetzt das perfekte KI-Betriebssystem aufbauen mit allen Daten dran, allen Skills da drin?
Und das läuft perfekt, voll automatisiert, automatisiert das mein ganzes Unternehmen.
Ich überspitze das jetzt, aber das funktioniert natürlich nicht.
Also vor allem, wenn ihr in gewachsenen Strukturen arbeitet, fangt da an, wo ihr heute seid und nutzt das, was ihr jetzt habt.
Das ist auch das Beste, was ihr machen könnt.
Und dann fangt ihr damit an, eine einfache Struktur aufzubauen.
Wir gehen oft in größeren Unternehmen in eine Abteilung einfach erstmal rein und bauen das da mal auf und machen einen Proof of Concept, zeigen, pass auf, so funktioniert das, das ist die Struktur und lernen auf dem Weg und gucken dann, wie wir es Schritt für Schritt sukzessive erweitern können.
Also, ja, better done than perfect, loslegen, auf dem Weg lernen.
Wir sind jetzt auch, wir haben jetzt von unseren KI-Agenten-Setup, auf dieses KI-Betriebssystem-Setup umgestellt, seit einigen Wochen.
Wir lernen jede Woche dazu.
Wir haben einen riesen Backlog schon, was wir in die V2-Version aufnehmen wollen.
Und wir haben vor allem auch gemerkt, wir brauchen einen Owner, der nichts anderes macht, als dieses System zu ...
verwalten und vor allem auch weiterzuentwickeln.
Und haben dafür auch jemanden eingestellt, der das jetzt ab April bei uns komplett verantworten, steuern und weiterentwickeln wird.
Weil das ist einfach nichts, was irgendjemand mal nebenbei mitmacht.
Genau.
Ja, das waren jetzt noch so ein paar abschließende Gedanken, die wir jetzt schon gelernt haben, was aufgekommen ist in der Zwischenzeit.
Und ich hoffe, das hat ein bisschen Licht ins Dunkel gebracht.
Das war jetzt mal ein Überblick über unser KI-Betriebssystem, was die Bausteine sind, wie das arbeitet, welche Voraussetzungen technisch und organisatorisch geschaffen werden müssen und ein paar andere Gedanken, was wir auf dem Weg gelernt haben.
Und bin gespannt.
Auf euer Feedback dazu, schreibt mir einfach wieder gerne, ihr erreicht mich super bei LinkedIn, hier auch unter dem Podcast in den Kommentaren oder unter felix.ai-first.ai.
Und je nachdem, was ihr jetzt sagt, was auch so für Fragen auch aufkommen, mache ich...
Gerne nochmal eine weitere Episode dazu.
Ansonsten gibt es natürlich hier auch wieder ordentlich gute Interviews mit den KI-Chefs und Chefinnen dieses Landes.
Und ich habe auch mir vorgenommen, dass ich jetzt in den kommenden Monaten wirklich schauen möchte, was gibt es für wirklich...
sehr progressive Stories von AI First und AI Native Unternehmen, die ganz traditionelle Geschäftsmodelle auf den Kopf stellen und da aus KI-Perspektive anders rangehen.
Freue ich mich schon drauf.
Und ja, bis zum nächsten Mal.