# Enterprise AI Evolution: From Agents to Operating Systems

**Podcast:** Tech and Tales
**Published:** 2026-04-04

## Transcript

Tech and Tails.
Herzlich willkommen zur 74.
Folge von Tech und Tails.
Mein Gast heute ist Stammgast Felix Schlenter.
Felix hat seine eigene KI-Firma, AI First und implementiert Systeme.
Er macht Workshops, er schlau die gesamte Führungsriege in großen Unternehmen auf.
Wir führen heute quasi unsere Konversation fort, die wir vor einem halben Jahr oder so hatten, in der wir über Agenten sprachen.
Und KI entwickelt sich ja so wahnsinnig schnell weiter, dass wir heute einfach daran anknüpfen wollen.
Und der Auslöser dafür war die Data Unplugged, denn Felix und ich haben beide dort eine Keynote gehalten.
Diese Folge ist Teil einer Doppelfolge.
Der erste Teil kam gestern am Freitag raus.
Felix, mach noch einmal schnell eine Mini-Vorstellung.
Ja, hi zusammen, vielen Dank, dass ich nochmal hier sein darf.
Ich bin Felix aus Hamburg und Gründer von AI First.
Vor zwei Jahren die Firma gestartet und sind in vielen mittelständischen Unternehmen unterwegs und treiben dort die KI-Transformation voran.
Und um zu verstehen, wie das funktioniert, weil die Blaupause dafür gibt es ja noch nicht, haben wir uns mit unserer eigenen Firma wieder so eine Art Labor geschaffen, in dem wir alles Mögliche ausprobieren, was Google Entropic und OpenAI uns vor die Füße werfen.
Das erstmal uns selbst in die Prozesse integrieren, lernen, wie sich unsere Organisation damit umstellen muss und das, was wir dabei gelernt haben und was funktioniert, das bringen wir dann zu unseren Kunden.
Ja, mega gut.
Und deine Keynote hieß: jenseits von Tools und Agenten, KI als Betriebssystem deines Unternehmens.
Und ich denke, da geht sicherlich die Reise hin.
Also das heißt, dass Unternehmen sich in die Richtung transformieren müssen, dass eben das System komplett neu gedacht wird, dass Prozessschritte neu gedacht werden und eben nicht nur eine Technologie integriert wird, sondern das Unternehmen komplett neu gedacht werden muss.
Und erzähl mal, wie so der Anfang war.
Also als wir vor Jahren sprachen, da haben wir immer orakelt, welches die besten Tools sind.
Wir haben beide irgendwie LinkedIn-Posts gemacht, so die besten Tools aus des Monats.
Ich weiß noch, als ich selber quasi ein Tool war, also nicht ganz, aber als wir mit Oxolo ein Tool gebaut haben, da war ich auch immer erpicht auf diesen Listen zu sein.
Und es hat sich ja gewandelt.
So, was ist deine Perspektive oder wie siehst du das oder wie siehst du diesen Wandel vor allen Dingen?
Ja, genau.
Also, das war so 2023, würde ich sagen, vor allem als der LLM und GenA-Hype so richtig losging, da ging es ganz viel um Tools.
Und so war auch unser Blick damals auf KI.
Das war ein Werkzeug, was wir insbesondere in Form von Lizenzen, ja, da hatte man seine Oxolo-Lizenz und seine ChatGPT-Lizenz und seine Gamma-Lizenz.
Und die haben wir unseren Teams dann in die Hand gedrückt, um schneller und besser zu arbeiten.
So, und für jede Aufgabe hatte man dann irgendwie sein Tool, was eine bestimmte Funktion hatte.
Mit dem einen konnte ich Präsentationen bauen und mit dem anderen meine Video-Avatare fürs E-Learning erstellen und mit dem nächsten konnte ich meine Texte schreiben.
Und ja, haben so erstmal unsere eigenen Fähigkeiten erweitert und multipliziert.
Und das heißt, wann war bei dir so der Schritt von dieser von dieser reinen Tool-Landschaft, also von diesem Nutzen von einzelnen Applikationen zur Verkettung quasi.
Also, ich meine, das war ja sozusagen die Präagentifizierung.
Das waren so, das waren so die ersten Schritte, dass man Tools quasi aneinander rein konnte.
Und ehrlich gesagt, auch davor, bevor man das gemacht hat, waren das eher APIs.
Also, und es war relativ komplex.
Ich meine, wir haben das bei Oxolo auch gemacht.
Das heißt, wir hatten APIs zu verschiedenen Systemen.
So, das heißt, der erste Teil hat dann die Sprache oder den Text generiert, der zweite Teil hat ihn übersetzt, der dritte Teil hat ihn gesprochen, der vierte Teil hat dann daraus ein Avatar gemacht und dann ein Video so.
Aber das war ja quasi die Agenfizierung auf Tech-Ebene.
Aber in dem B2C-Bereich, also auf Konsumer-Ebene, auf Nutzerebene hat man das noch nicht gesehen.
Das heißt, was waren bei dir dann die nächsten Schritte?
Genau das, was du gesagt hast.
Das haben wir dann 2023, da haben wir so die ersten LLM-Use Cases umgesetzt über APIs, die dann an den GPT-4-Modell zum Beispiel das angesprochen haben, um Supportanfragen, die Antworten vorzuschreiben und solche Geschichten.
Aber was die Modelle damals noch nicht wirklich konnten, ist eigenständig in irgendeiner Form arbeiten.
Also, die konnten die Wahrscheinlichkeit berechnen für die nächsten Tokens für so ein paar Sätze und dann war aber auch Schluss.
Und diese Fähigkeit eigenständiger komplexere Aufgaben und Probleme zu lösen, das ist ja ein Entwicklungsstrang, den die Modelle genommen haben, neben dem zweiten Entwicklungsstrang, dass sie immer flexibler geworden sind, unterschiedliche Datentypen zu verarbeiten.
Also Text, Bild, Audio, Video und Code von einem Modell verarbeitbar, also Multimodalität ist so der Fachbegriff dahinter.
Also die zwei Sachen sind dann passiert, relativ flott.
Und bei uns war dann im Oktober 2024.
Da kamen dann so die ersten Reasoning-Modelle, die halt eine Aufgabe bekommen haben.
Und dann haben sie die runtergebrochen in verschiedene Unteraufgaben und haben Schritt für Schritt die Unteraufgaben abgearbeitet.
Wie so eine To-Do-Liste, die sie sich geschrieben haben, und da haben sie gesagt, ich fange oben an und dann Schritt für Schritt arbeite ich mich vor.
Das geht heute, heute ist das ganz normal.
Jeder, der mit so einem Reasoning-Modell arbeitet mit den neuesten Modellen, kann man das schön beobachten in Gemini oder in Claude oder so, die brechen sich erstmal diese Aufgabe runter und arbeiten die dann ab.
Und das ging dann los, womit so wirklich dieses agentische Zeitalter damals gestartet hat.
Weil auf einmal ein Modell, mit dem wir vorher einen einfachen Marketing-Text zum Beispiel geschrieben haben für Newsletter oder für die Webseite.
Das konnte jetzt in einem Schritt recherchieren, aus den Rechercheergebnissen Ideen ableiten für den Content abgeben, konnte dann die Texte schreiben, konnte die Texte übersetzen.
Und dann haben wir dem Modell noch Zugang zu unserem Content-Planungstool gegeben.
Und dann konnte das noch den geschriebenen und übersetzten Text dort einstellen.
Also auf einmal mehrere Schritte in einem.
Und das war dann der Beginn von Agenten.
Aber wie zuverlässig war das?
Hat das wirklich funktioniert?
Also, ich weiß noch, wie du erzählt hast, dass du zum Teil das in Telegram hattest.
Das heißt, du hast deine Gedanken, wie auch immer, mit deinem Agenten in Telegram geteilt, der wiederum hat es dann an die richtigen Sub-Agents sozusagen weiterverteilt.
Du hast es, glaube ich, über N8N oder über Langdock, hast du Langdock hast du, glaube ich, orchestriert.
Hat es wirklich funktioniert?
Oder hast du viel Halluzinationengeräte gesehen?
Oder beziehungsweise, und das ist eigentlich die eigentliche Frage, hast du richtig Dinge generiert oder reine Prozessmodellierung?
Okay, also es sind jetzt so mehrere Punkte dabei.
Also, was natürlich LLMs in ihrer Natur haben, ist, dass sie immer eine Wahrscheinlichkeit berechnen und die Wahrscheinlichkeit ist nie 100 Prozent, also es können immer Fehler passieren.
Die Fehler kannst du reduzieren, indem du immer mehr Leitplanken den Modellen setzt und indem du komplexere Aufgaben, falls sie zu unzuverlässig sind, weil die Modelle ausbrechen, unterteils in kleinere Schritte und diese Schritte dann wieder aneinander kettest in einem Workflow, wo ganz viele kleine KI-Schritte mit eingebunden sind.
Ganz kurz, wir sehen Leitplankenhaus.
Kannst du einmal erklären, wie du das gemacht hast?
Ja, klar, also zum Beispiel über den System-Prompt kann man verschiedene Leitplanken setzen, was das Modell darf und was nicht.
Und das ist das, was heute nennt man das fast schon gar nicht mehr so, da können wir später nochmal drauf zu sprechen, aber früher nannte man das halt Prompt Engineering, also über verschiedenste Techniken, dem Modell zu erklären, wie es sich verhalten darf und wie nicht.
Auf der anderen Seite über die bereitgestellten Daten sicherzustellen, dass die Modelle nur auf Informationen zugreifen, die für die Verarbeitung von der Aufgabe relevant sind und dann über Zugriff auf verschiedene APIs, die sie nutzen können, also Schnittstellen in andere Systeme, sicherstellen, dass sie dort wirklich nur die Sachen machen dürfen, die sie machen sollen.
Ich gebe ein Beispiel, wenn man Zugriff zum Beispiel auf den E-Mail-Account gibt, dann kann man Zugriff geben auf alles.
Dann können E-Mail-Drafts erstellt werden, E-Mails ausgelesen werden, E-Mails verschickt werden.
Oder was wir zum Beispiel gemacht haben, ist, wir haben niemals die Aktion freigegeben, eine E-Mail versenden zu dürfen, sondern jede KI durfte maximal ein Draft hinterlegen, der nochmal von einem Menschen gebaut wurde.
Was wir außerdem gemacht haben, ist, dass wir in Prozesse das eine Modell oder der eine Agent hat ein Ergebnis produziert.
Dann haben wir dahinter noch einen Agent geschalten, der das Ergebnis kontrolliert hat und Feedback gegeben hat.
Und später kamen dann so solche, kamen E-Wells, also Evaluationen als eine Art Funktion in die Tools, dass ich sagen konnte, ich spiele das Ergebnis, was ich von dem Modell bekomme, gegen erwartete Werte, wie dieses Ergebnis aussehen müsste.
Und darüber wird dann eine Evaluation vorgenommen, mit welcher Wahrscheinlichkeit dieses Ergebnis korrekt ist oder nicht.
Und dann konnte man Schwellenwerte definieren und sagen, wenn das Ergebnis zu 99% korrekt ist, dann wird es weitergeleitet.
Wenn es nicht korrekt ist, wird es wieder zurückgespielt ans Modell.
Das generiert eine neue Antwort, spielt das wieder gegen die erwarteten Werte.
Und wenn es dann korrekt ist, dann geht es irgendwann durch.
Aber das heißt, du hast E-Wells, Agents gebaut.
Nee, die E-Wells, die konnte man hinter die Agents legen.
Immer jedes generierte Ergebnis von den Agents wurde gegen die E-Lails gespielt.
Aber die E-Wells selber muss ja auch definieren.
Hast du das dann gemacht?
Oder wie habt ihr das gemacht?
Genau, dafür brauchte man erstmal vorher Ergebnispaare.
Man musste quasi reingeben, das ist der Input, den der Agent bekommt, und das ist der erwartete Output für diesen Input.
Gib mal ein Beispiel, meinetwegen Rechnungslegung.
Genau, Rechnungslegung.
Du hast eine Rechnung, die reinkommt.
Das ist zum Beispiel ein PDF, wo dann verschiedene Informationen stehen.
Und daraus sollen dann die Adresse und der Zahlungsbetrag und sowas rausgezogen werden.
Und dann könntest du festlegen, für diesen Input müssen folgende Daten-Outputs von dem Agent erzeugt oder gefunden werden.
Das ist jetzt nicht so hundertprozentig korrekt, weil da würde man wahrscheinlich so eine andere Methode nehmen, wie so eine OCR-Erkennung oder so.
Kann man aber auch mittlerweile über LLMs machen.
Aber das könnte zum Beispiel sowas sein.
Okay, das heißt, im E-Ware würde dann stehen, okay, Adresse ist vorhanden, Datum ist vorhanden, Rechnungsnummer ist vorhanden, Betrag ist vorhanden, bitte an Date weitersenden.
Also ich weiß, DataF hat immer noch keine Schnittstelle, aber theoretisch, ja, richtig?
Das wäre die Evaluation, die checken würde, ob das, was der Agent quasi gerade herausgefunden hat, korrekt ist.
Ja, und das ist dann eine Guardrail.
Okay, danke.
Genau, weil das Ergebnis ansonsten nicht weitergeleitet werden darf, wenn diese erwartete Wert nicht erreicht wird.
Und somit kann man es halt ein Stück weit vermeiden, dass komplett halluzinierte Ergebnisse in den nächsten Prozessschritt weitergegeben werden und sich dieser Fehler dann durchmultipliziert durch die gesamte Kette.
Klar.
Und hat das bei dir immer funktioniert, soweit?
Na, das ist dann natürlich ein krasses Optimierungsthema.
Den Prompt, das LLM, die dahinterliegenden Daten so weit zu optimieren, dass das Ergebnis immer näher dem erwarteten Wert kommt.
Aber das ist etwas, was sich optimieren lässt.
Das war, das wird jetzt immer einfacher, weil die Modelle immer besser werden.
Damals hat zum Beispiel dann irgendwann auch das Spielen gegen die E-Wells, hatte fast schon mehr Tokens verbraucht, als die Generierung des Ergebnisses selbst, ja, weil das dann auch teilweise mehrere Schleifen drehen musste, bis dann das richtige Ergebnis rauskam.
Also es war noch relativ rechenintensiv.
Und beim zweiten, also wenn das E-Werf das zurückbounced sozusagen, war dann das nächste Ergebnis, also wurde es tatsächlich so lange zurückgebounced, bis es okay war, oder hat das irgendwann aufgehört?
Habt ihr ja so, habt ihr eine gewisse Nummer oder eine gewisse Zahl festgelegt, wie viele Versuche es geben darf?
Weil mich wundert es, weißt du was, ganz im Ernst, mich wundert das einfach, dass es so gut funktioniert hat, weil aus meiner Erfahrung sind so viele Ergebnisse immer falsch.
Wir werden immer falsch generiert.
Das heißt, es kann aber auch sein, dass es einfach Fehler unsererseits oder meinerseits sind, ja.
Aber ich finde es gerade super spannend zu hören, wie du diese Guardrails sozusagen eingezogen hast.
Es kann auch daran liegen, dass einfach die, dass du diesen Aufgabenbereich so gut definiert hast, weil ich glaube, du hattest ja einmal diese Donner, Chief of Staff, zum Beispiel.
Dann irgendwie, du hattest Rick, ein Podcast-Producer, der der Aufgaben hat, und dann stand auf einer Folie von dir auch noch Barbara, die Buchhalterin.
Das heißt, du hast ja bei diesen drei Agents sehr vordefinierte Aufgaben und auch ein Wissen, was du gesagt hast, wo sie zugreifen dürfen und eben auch die Tools, die sie dazu verwenden dürfen.
Und das hat alles bei den allen drei so geklappt, ja.
Also, natürlich hat das nicht alles super flawless funktioniert.
Aber du musst bedenken, wir investieren 100 Prozent unserer Zeit auf diesem Thema.
Und wir haben die Prompts dahinter, die Prompts für die unterschiedlichen Modelle, wie welche Daten bereitgestellt werden, wie die aufbereitet sind.
Und und und haben wir Dutzende Male, wenn nicht sogar noch mehr iteriert und iteriert und iteriert und iteriert.
Also, wir haben, das ist nicht so set and done, sondern das wurde fortlaufend in der Nutzung immer und immer weiter geschliffen.
Und am Anfang, das ist, wir haben ja dann gesagt, um jetzt nochmal den Bogen zu spannen, am Anfang war KI ein Tool, dann haben wir KI zum Mitarbeiter gemacht, als Agenten dann kam.
Weil wir gesagt haben, dass das Modell kann ja jetzt irgendwie lesen, schreiben, selbst Aufgaben planen und kann andere Tools nutzen.
Dann haben wir gesagt, das ist ja eher so etwas wie ein Mitarbeiter und kein Tool mehr.
Und dann haben wir angefangen, wie du es gerade gesagt hast, zu schauen, was haben wir denn für Jobs to be done.
Darüber habe ich auch beim letzten Mal in unserem Podcast ein Stück weit gesprochen in unserer Company.
Und wen würden wir denn jetzt einstellen, der das machen kann.
Zum Beispiel, ich habe den Podcast, ich brauche eigentlich einen Freelancer, der mir bei der Vor- und Nachbereitung hilft.
Aber dann haben wir alles versucht, irgendwie über Agents lösbar zu machen.
So, und dann haben wir diese Personas entwickelt, and für diese Personas haben wir super detailliert, also unsere Prompts, die hinter diesen Agents lagen, die waren teilweise zehn Seiten lang oder so.
Also wirklich im Detail da, also wirkliches Prompt Engineering gemacht, damit der Input, den die bekommen, wirklich sehr akkurat immer wieder so verarbeitet wird, wie wir es haben wollten.
Damit haben wir die Akkuranz der Outputs Schritt für Schritt für Schritt verbessert bekommen.
Aber am Anfang war da immer ein Mensch, der total hohe Übersicht hatte über jeden Agent.
Also jeder Agent hatte halt einen Menschen als quasi Führungskraft und die haben dann Onboarding gemacht.
Und da haben wir eine Probearbeitsphase.
Da haben die halt, wir haben uns dann von KI haben uns dann Testcases generieren lassen für diese Agents, je nachdem, was sie machen mussten, und haben denen halt erstmal 100 Testaufgaben gegeben, die Ergebnisse kontrolliert, geguckt, was alles schief lief und dann die Prompts und diesen ganzen Ablauf so weit optimiert jedes Mal, dass es beim nächsten Mal wieder besser wird.
Und so ist dann irgendwann die Qualität hochgegangen.
Aber das ist natürlich Aufwand, klar, da geht richtig, richtig Zeit rein.
Und ich glaube, das wird auch oft total unterschätzt, dass man denkt, okay, ich baue mir jetzt hier irgendwie mal schnell was zusammen und dann läuft das.
Ja, Wahnsinn.
Aber wie viele, wie viele Leute hast du, die dir dabei helfen?
Na, wir waren zu dem Zeitpunkt, waren wir noch zu dritt.
Und ich meine, wir haben das alle, alle drei haben wir das gemacht, aber haben da halt einen Großteil unserer Zeit auch investiert, weil wir aber natürlich das, was wir da lernen, auch wieder zu unseren Kunden bringen.
Also wir trainieren ja andere Leute und irgendwie setzen diese Use Cases dann auch bei Kunden um.
Deswegen ist das so.
Also es ist total interessant, ja, weil ich werde immer mal wieder drauf gechallenged, dass Leute sagen, ja, ey, du hast doch hier, kann es doch noch ein paar Stunden die Woche arbeiten, das läuft doch alles schon automatisch.
Aber unsere ganze Produktivität, die wir gewinnen, investieren wir halt wieder in RD-Aufwände, weil wir müssen uns das alles angucken, was uns die AI-Labs dafür vor die Füße werfen und das verändert sich die ganze Zeit.
Und ja, da ist einfach sehr viel, sehr viel Zeit reingegangen.
Ja, auf Englisch sagt man, you put your money where your mouth is.
Ich meine, das ist Wahnsinn.
Ich glaube, die wenigsten Beratungen machen das tatsächlich so wie du.
Du bist ja, ihr seid ja wirklich AI-first.
Das heißt, dass ihr wirklich einfach die gesamte Zeit damit verbringt, wie ihr die eigenen Systeme optimieren könnt.
Und ich glaube tatsächlich auch, dass das für die Firma ultra wichtig ist, das genau so zu machen, weil sonst dieser Erfahrungshorizont irgendwie nicht da ist.
Es fehlen diese ganzen Erfahrungswerte.
Es fehlen die Basics.
Sicherlich werden die Systeme immer besser und auch immer intuitiver.
Und auch die UX UI wird immer besser.
Also das heißt, wie es aussieht, es wird immer mehr Plug and Play sein.
Also das, was ihr so explorativ da vor zwei, drei Jahren gemacht habt, das wird sicherlich, also das werden sicherlich Erfahrungen sein, die man wahrscheinlich irgendwann nicht mehr machen muss in der Tiefe.
Aber die Systeme entwickeln sich auch weiter.
Also wenn ich mir das jetzt angucke, was Claude und so weiter kann, dann entwickelt sich das meines Erachtens immer mehr in die Richtung eines autonomer Systems, die man selber coden muss quasi, indem man mit den mit den Systemen spricht und sie dann aber auch deployen muss.
Das heißt, man braucht schon so ein grobes Verständnis von wie Software-Architekturen aufgebaut sind.
Und das kommt ja nicht über Nacht.
Also, das heißt, das muss man schon dann quasi durch Erfahrung lernen.
Aber wenn, wenn wir weitergehen, das heißt, die nächste Stufe war, dass ihr dann eine ganze Flotte an quasi Mitarbeitern hattet.
Also es war nicht nur, es war nicht nur meine Favourite Donner.
Ich liebe Suits übrigens auch.
Sondern es war, ihr hattet dann ein ganzer Schaden an Mitarbeiter.
Und das heißt, irgendwann wurde die, stieg dann dann sicherlich auch die Komplexität der Aufgaben.
Das heißt, diese Guardrails wahrscheinlich und diese ganzen komplexen Systeme, die ihr da miteinander verschraubt habt, die konnten wahrscheinlich dann immer von immer weniger Agenten gelöst werden, oder?
Also, wie hast du das so empfunden, die letzten zwölf Monate?
Also diese gewisse Skalierung, die wir gesehen haben.
Ja, wir hatten dann 25 ungefähr, 25 so KI-Mitarbeiter, könnte man sagen, die einzelne Agents waren, die auf eine bestimmte bestimmte Rolle, die hatten alle ein Gesicht und einen Namen und so, ja.
Also wir haben halt gesagt, das ist doch jetzt die Organisation der Zukunft, wo du halt Menschen hast, die so AI-Agent-Teams steuern.
Das ist auch das, was ganz viele Beratungen und so gerade erzählen, dass das der Weg ist.
Und wir kommen ja gleich dazu, wie ich heute drüber nachdenke, aber bis Ende Dezember 2025, da habe ich gesagt, klar, das ist auf jeden Fall der Weg, wie wir KI weiter in der Company skalieren.
Und wir haben dann aber schon gemerkt, dass wir bei diesen ganzen einzelnen Agents irgendwie immer noch dazwischen hängen.
Weil wenn du dann so ein besseren Chatbot hast, der so ein paar Aufgaben für dich machen kann, aber in denen du jede einzelne Aufgabe wieder delegieren muss, ist das so, ja, ist das schon besser, als wenn du jetzt so ein Chatbot hast, wo du immer Copy and Paste machst, aber geht trotzdem viel verloren.
Also, was haben wir gemacht?
Wir haben die Agents dann schrittweise in Prozesse eingeführt.
Also die Barbara, die Buchhalterin, der habe ich nicht jeden Beleg gegeben, jede Rechnung gegeben, sondern die hat sich die natürlich aus der Inbox gezogen.
Also jede Rechnung und so, die reinkamen, wurde von ihr verarbeitet und dann mit den Ausgaben und so gemappt.
So, okay, das war dann halt mal so ein Prozess.
Aber irgendwann warst du an dem Punkt, da müssen eigentlich mehrere von diesen Agents zusammenarbeiten.
Und dafür hatte ich dann, wollten wir dann so Agent-Teams aufbauen, oder Multi-Agenten-Systeme nennt man das auch.
Und da habe ich aber zumindest gelernt, und weiß ich nicht, vielleicht kann mich irgendjemand noch erhellen, wie das funktioniert, dass diese Handover von einem Agent zum nächsten und nicht nur in eine Richtung.
Also dass du sagst, Agent 1 macht das, Agent 2 macht das, Agent 3 macht das, in so einer Kette, das geht noch relativ gut.
Aber dass du sagst, Agent 1 macht das, und wenn der da irgendwie merkt, ich brauche noch was, dann geht er wieder zurück zu Agent 2 und Agent 2 geht dann wieder zurück zu Agent 1 und die sprechen quasi miteinander, so wie man das im Team machen würde, sagen, ey, lass mal ein Meeting machen und das kurz klären.
Und wenn es geklärt ist, läuft der eine weiter.
Das so zu bauen, dass die sich irgendwann nicht mehr die ganze Zeit im Kreis drehen, sondern auch, man will ja auch, das kostet ja alles Geld, die Tokens, die da verbraten werden, dass die möglichst effizient dieses Problem, was auch immer es gibt, gelöst bekommen, um dann weiterzugehen.
Zum Beispiel in der Content-Erstellung, dass du sagst, du hast einen, der macht die Recherche und der eine kuratiert dann die Ergebnisse.
Aber wenn der im Kuratieren noch nicht die Sachen gefunden hat, die er eigentlich braucht, um einen Content Piece to unser Qualitätsstandards zu erfüllen, dass er dann nochmal zurückgehen to recherche and they're was neues heraus such and sowas können sowas can man gemerkt that relativ experimental is mehr agent effizient miteinander zu lassen and sold agent teams die autonom zusammenarbeiten da habe ich aber this is the intellectual nuss that we knack that müssen wir herausfinden wie man agent teams baut die quasi eine führungskraft auch als agent anders steuern yeah and so we then bishop and so in this jahr gegangen that I said okay that we herausfinden that so we bought man so eine agent organisation yeah es gibt dazu zu sagen dass es ja ökonomische theorien gibt die sagen dass wir als Menschen or as wirtschaft ziemlich ineffizient sind so.
And woran liegt das?
Also, einer der Ökonomen, die this postuliert hat, heißt Herbert A.
Simon.
They had in the 50er Jahren gesagt, dass wir einfach nicht rational genug arbeiten, um quasi unsere Profite zu maximieren.
And they had we have Abteilungen, die wider strebende Ziele haben miteinander, we have keine gute Kommunikation untereinander, es gibt hier eine Menge Politik and it's Verhandlungen in Unternehmen.
So that heißt das Kernproblem ist, dass wir halt als Wirtschaft or hochgradig ineffizient sind als Menschen.
Das heißt, we must, weil diese organization so ineffizient is, müssen wir anfangen, Geschäfte auf andere Art and Weise to machen, wesentlich effizienter.
And I glaube dafür is KI als Betriebssystem der entscheidende Ansatz.
Weil wenn KI anfängt, zum Beispiel systemen oder Produkte so zu bauen, dass die meinetwegen das Verpackungsmaterial so minimiert werden kann, weil die andere KI, weil the time to market so kurz is, yeah, that man meetwegen nicht mehr so and so viele Schichten an Plastik braucht, weil das Produkt ohnehin nur einen halben Tag im Lager steht oder so.
Also, das heißt, diese Grundoptimierung, ich glaube, nur das kann KI.
Und ich glaube, das, was du als intellektuelle Nuss quasi bezeichnest, ist letztlich ist, beziehungsweise einfach das komplette neue Aufbauen von Unternehmen in diese Richtung.
Und das ist das ja am Ende, was du machst, ja, and auch das, was the eighteen schlüssel is.
Das Grundproblem ist natürlich dann in diesem ganzen Kontext, wie man das Ganze, also governed, regelt and orchestriert, and so we are.
Und das heißt, wie hast du, also ich meine, wie machst du denn das?
Dass du selbst wenn du AI First bist und so weiter, dass es alles noch im Rahmen bleibt oder nach Regeln funktioniert.
Yeah, also vielleicht knüpfe ich nochmal ganz kurz an, wie wir dann weitergegangen sind von da.
Also, also ich wollte es zwar knacken, aber ich habe schon gemerkt, dass es sehr komplex, jetzt diese Agenten, Teams und Strukturen in unsere aktuellen Strukturen irgendwie reinzudrücken.
Weil wir versuchen, halt KI in die Rolle von etwas Menschlichem zu stecken, nämlich die Rolle eines Mitarbeiters.
Aber die Frage ist ja, passt KI überhaupt in diese Rolle rein.
Ist das die richtige Rolle für KI oder ist das die richtige Rolle und Form für uns für KI, weil wir das irgendwie kennen und als intellektuelles Konzept verstehen können.
Das ist ein Mitarbeiter, ah, okay, kenne ich, der hat einen Namen, der hat einen Gesicht, der hat seine Rolle und der macht XYZ und mit dem arbeite ich irgendwie zusammen.
Aber es ist die Frage, also es skaliert auf jeden Fall nicht.
Das kann sich jeder vorstellen.
Ich habe jetzt gelesen, irgendwie McKinsey hat 10.000 AI-Agents.
Viel Spaß, 10.000 AI-Agents zu warten, zu steuern, zu kontrollieren und so.
Keine Chance.
Ja, du hast ja genau, du hast ja genau das gemacht, ja.
Du hast dann die Prozesse quasi neu gedacht.
Also, das heißt, du bist von dieser menschliche Denke weggekommen, von dieser krassen Ineffizien und du fängst an, neu das zu definieren.
Genau, und wodurch kam das?
Das war Februar dieses Jahres hat Anthropic das neue Claude Opus 4.6 Modell launched.
Und da gab es so einen riesen Bass.
Da war irgendwie was in der Luft, weil ganz viele Entwickler auch angefangen haben, mit Claude Code zu arbeiten.
Und auf einmal kam unter diesem Coding Agent eine neue Grundlage mit diesem Modell.
Und auch in einige andere Tools.
Insbesondere bei Claude wurde das dann irgendwie nutzbar.
Und auf einmal war die Arbeit mit KI schon so ein bisschen anders, weil dieses Modell nochmal viel, viel, viel eigenständiger als die vorher und die quality and precision where it was arbeitet as this we can.
When new models come, testen wir die, and when we merken, there is irgendein Sprung in den Fähigkeiten, hinterfragen wir einfach alles nochmal, was wir gerade tun.
Das müssen wir, müssen wir einfach machen, schon allein aus Respekt for unseren Kunden, die erwarten, dass wir die irgendwie state of the art wissen dort reinbringen.
Also haben wir einen Test gemacht und die Donner, die du jetzt schon mehrfach angesprochen hast, haben wir mal Zugriff gegeben auf sämtliche Prozessdokumentation, Datenquellen und Systeme, die wir nutzen.
So ein paar Schnittstellen zu anderen Tools.
Und dann hat Donner dann nicht mehr die Anweisung, die Chief of Staff zu sein, sondern einfach nur noch, sich die richtigen Prozesse, Daten und Schnittstellen rauszusuchen, die sie benötigt, um die Aufgaben, die wir geben, auszuführen.
Und die hat dann unterschiedliche Aufgaben bekommen, die sie vorher nicht machen sollte.
Also aus dem Marketing, Sales, Support und so.
Und die hat sehr, sehr mit diesem neuen Modell unter der Haube, Claude Opus 4.6, sehr, sehr akkurat diese Aufgaben ausgeführt.
Das war noch nicht perfekt perfekt, aber das war auf einem sehr ähnlichen Level, wie das vorher diese spezialisierten KI-Mitarbeiter gemacht haben.
So, und da hat das bei mir total klick gemacht, weil ich auf einmal gecheckt habe, ja, klar, KD ist es total egal, ob das jetzt Donner, Martin oder Peter ist, sondern die braucht halt, na, es braucht halt eine Aufgabe und das kann sich dann jedes Mal, wenn es Zugriff auf diese Daten und Schnittstellen hat, so konfigurieren, wie es notwendig ist, um eine bestimmte Aufgabe erledigen zu können.
Und der technische Fortschritt, den es gab, war, dass das Modell noch autonomer arbeiten kann, an komplexeren Aufgaben, ohne sich dabei zu verlieren.
Ganz kurz hast du ein Beispiel, hast du ein konkretes Beispiel, was Opus 4.0 anders gemacht hat als das Modell, was du vorher drin hattest?
Was hattest du vorher drin?
Vorher hatten wir viel mit den Gemini-Modellen gearbeitet und mit dem Claude Sonnet 4.5-Modell, glaube ich.
Teilweise auch schon mit dem Opus-Modell.
Aber du hast ja auch die Keynote gehalten, ja, und auch diesen Chart gezeigt von Meter.org.
Vielleicht können wir das hier in die Shownotes packen.
Die Reporten bei allen neuen Modellen an Coding-Aufgaben insbesondere.
Wie lange, wie lange menschliche Experten brauchen für Aufgaben, die die Modelle eigenständig lösen können.
So, und das Modell hat da sieht man sehr schön auf dieser Kurve, wie das so jetzt ins exponentielle Wachstum geht, weil das Modell auf einmal eine Aufgabe lösen kann, für die ein Mensch sonst zehn, elf Stunden oder so gebraucht hatte.
Das sind noch Ausreißer und da passieren auch noch Fehler.
Aber man hat da gesehen, dass es einen Sprung in diese Autonomie gibt, die das Modell machen kann.
Und was wir dann und diese Autonomie, und jetzt schließe ich den Bogen, das hat dazu geführt, dass wir nicht mehr explizit sagen mussten: Schritt 1 mach das, Schritt 2 mach das, Schritt 3 mach das.
Sondern wir konnten sagen, du bekommst eine Aufgabe, du hast Zugriff auf unsere Prozessdokumentation auf sämtliche Datenquellen.
Wir haben so eine Datenlandkarte quasi gebaut und auf Schnittstellen.
Und dann guckst du in die Prozessdokumentation rein und findest die Prozessdokumentation, die du brauchst, um diese Aufgabe auszuführen, suchst dir dann die Daten, die dort beschrieben sind, um den Kontext zu haben, den du für diese Aufgabe brauchst und sprichst du die Schnittstellen an, die du benötigst, um die Aufgabe erledigen zu können.
Jetzt so mal vereinfacht gesagt.
Und dann haben wir gesehen, dass das Modell das super zuverlässig gemacht hat, weil es sich sehr viel Zeit lassen konnte, dass sich diese Prozessdokumentation auszulesen, basierend auf dieser Prozessdokumentation, wieder die nächsten To-Dos abzuleiten, sich wieder eine neue To-Do-Liste zu schreiben, loszulaufen und die Daten zu suchen.
Wenn es die Daten nicht gefunden hat, nochmal woanders nachzugucken.
Und das war so von den Modellen vorher nicht möglich.
Die hätten dann halt abgebrochen nach dem zweiten oder dritten Schritt.
Aber das heißt auch, dass deine Prozessdokumentation deutlich besser sein muss.
Also die zugrunde liegenden Daten ist es ja, also die Daten sind das eine, aber auch die Dokumentation der Prozesse muss wirklich viel besser sein, als muss perfekt sein, auch als vorher.
Also ich meine, das heißt, deine initialen drei Mitarbeiter, die dann zu einer Flotte angewachsen sind, die waren nicht so abhängig von der Prozessdokumentation.
Das heißt, die menschliche Arbeit hat sich in dem Moment, also der Human in the Loop, es hat sich auch geshiftet am Ende.
Also am Anfang war es noch so der, ich würde sagen, KI-Babysitter und jetzt bist du der Prozessdokumentierer eigentlich, oder?
100 Prozent.
Das ist das, was jetzt den Unterschied macht, dass wir unsere Prozesse im Griff haben und explizit machen können.
Jeder einzelne Schritt, jede Ausnahme muss definiert sein.
Also im Detail muss das eins zu eins beschrieben sein, sodass ein Modell einfach nur diese Schritte durchgehen muss und wenn es Ausnahmen gibt, genau weiß, was dann zu tun ist.
Weil ansonsten haben wir genau wieder das Thema, dass es ansonsten sehr wahrscheinlich halluzinieren wird und irgendein Ergebnis bei rauskommt, was wir nicht haben wollen.
Ah, okay, krass.
Und das ist also quasi, das ist jetzt das, wo du, wo ihr steht, ja.
Also, das heißt, dass ihr eine sehr gute Prozessdokumentation habt.
Ihr habt das aktuelle Modell und eben das Modell, das sich selber To-Do Listen gibt.
Das finde ich übrigens ganz niedlich, ehrlich gesagt.
Und habt ihr dann noch autonome einzelne Agenten oder habt ihr quasi nur verschiedene Prozessdokumentationen?
Ja, also wir haben jetzt quasi, also wir sagen jetzt, KI ist nicht mehr, wir haben jetzt quasi alle KI-Mitarbeiter gefeuert, die gibt es nicht mehr.
Es ist jetzt ein System.
Also wir haben das Ganze systemisch aufgebaut, dass KI auf alles zugreifen kann, worauf auch wir als Menschen zugreifen können, um Arbeit ausführen zu können, die wir ausführen würden.
Das bedeutet, hat Zugriff auf, stell dir das einfach vor, wie so Datenbanken.
Eine Datenbank, da sind alle unsere Prozesse dokumentiert.
In jedem Prozess ist wiederum referenziert, welche Daten wann genutzt werden müssen.
Und dann gibt es eine Datenlandkarte oder Kontextlandkarte, nennen wir das, wo wir alle Datenquellen beschrieben haben.
Wofür braucht man die?
Für welchem Prozess werden welche Daten benötigt, wie hängen welche Daten zusammen.
Darauf kann sich das Modell dann orientieren, um die richtigen Datenquellen zu finden.
Dann haben wir Schnittstellen zu den Tools gegeben, die das Modell nutzen.
Oder das ist ein Agent, der da oben drüber sitzt, den nennen wir Operating System Agent, also es ist ja quasi einfach nur eine Ausführungseinheit.
Und dann haben wir noch so ein Governance-Handbuch geschrieben, wo genau nach so einer Ampellogik beschrieben ist, was darf der Agent autonom ausführen, was ist nur mit Review ausführbar, also da vorbereitet werden, aber darf nirgendwo gepusht werden.
Und was darf der Agent nicht ausführen.
Und da drum liegt noch so eine Lernschleife.
Also der Agent guckt die ganze Zeit, während er arbeitet, wo sind Fehler passiert, wo hab ich eine Idee, wie man den Prozess noch besser machen könnte.
Weil wir Menschen, also ich würde sagen, wir sind nur noch der Engpass, ja.
Wir wissen meistens gar nicht mehr am besten, wie man einen Prozess wirklich optimal aufstellen kann.
Die KI kann uns das meistens besser erklären, ja, and sagt, hey, this is, das, das ist so nötig, oder we müssen hier nochmal spezifischer beschreiben, was in dem und dem Fall passieren sollte.
Also da guckt der Agent, während er arbeitet, wenn er nicht genau weiß, was er machen soll, schreibt er das in eine Feedback-Datenbank, so dass wir das wieder einbauen können ins System.
Und er dokumentiert natürlich die Ergebnisse, sodass sämtlicher neuer Kontext, der erzeugt wird, wieder direkt ins System reinfließt.
Ja, aber das setzt auch voraus.
Ein Unternehmen ist ja typischerweise kein hermetisch abgeschlossener Raum.
Genau.
Und das ist das, ich meine, das Grundproblem ist natürlich, dass wenn du als Unternehmen so arbeitest, dann bist du halt hocheffizient, so das ist ja schön und gut, aber du bist ja immer noch davon abhängig, dass auf der anderen Seite die Kunden, die du möglicherweise hast, nicht so funktionieren.
Oder dass die anderen Unternehmen, deine Zulieferer, deine grundsätzlich deine Lieferanten, deine anderen Mitarbeiter und so weiter.
Das ist ja ein ultra heterogenes Feld, in dem man als Unternehmen unterwegs ist, je nachdem, was man tut.
Und das ist eben auch noch etwas, dass am Ende habt ihr euch ja umgebaut oder ihr habt euch der neuesten KI quasi angepasst.
Also ihr habt dem, ihr habt die Prozesse so umgebaut, dass die KI perfekt damit arbeiten kann.
Und dann, das ist eben meine Frage für die Zukunft.
Meinst du, das bleibt so, ja, dass wir uns quasi verändern für die Technologie oder wird sich irgendwann die Technologie, dem menschlichen Denken und Handeln so anpassen, dass wir eben nicht alles umbauen müssen, weil am Ende ist es ja so, wie soll das gehen, weißt du?
Das heißt, es wird ja nicht jedes Unternehmen auf der Welt der KI anpassen.
Und gerade wenn wir uns die Zahlen angucken und wir haben, wir sprechen in deinem Podcast darüber, da sind über 80 Prozent der Welt kein Zugang zu künstlichen Intelligenz.
Das heißt, wenn du als Unternehmen erwartest, dass der Rest der Welt sich dir anpasst, dann wirst du lange warten, glaube ich.
Also, wie siehst du das?
Meinst du, das ist jetzt ein Zwischenstadion oder meinst du, es wird sich weiter in diese Richtung entwickeln?
Also, meine These ist, dass KI wird in immer mehr Dingen immer schneller, immer besser, die gerade nur wir können.
Also wird immer mehr Fähigkeiten aneignen, die aktuell, wo wir aktuell als Menschen noch besser sind.
Wir sehen ja diese Entwicklung, die kann man jetzt schon immer stärker beobachten.
Klar, einige Benchmarks werden da irgendwie optimiert, aber man sieht schon, dass irgendwie KI-Modelle immer leistungsfähiger werden.
Das bedeutet, dass KI einen immer größeren Anteil der digitalen, und ich sage jetzt mal bewusst digitalen Arbeit in Unternehmen in der Lage ist zu erledigen.
Rein technisch.
Ich würde sogar sagen, wir könnten jetzt heute auf Pause drücken bei Google Entropic und OpenAI und die nächsten zehn Jahre hoch und runter diese Modelle implementieren und werden immer noch lange nicht, lang, lange nicht fertig.
Also wir brauchen einfach sowieso kein besseres Modell mehr.
Aber die werden noch besser.
So, also Arbeit wird verschiebbar von Menschen zu KI.
Ich sage, der einzige Engpass sind wir, weil wir müssen unser Unternehmen, was gerade gebaut ist, dass Menschen daran arbeiten können, so umbauen, dass KI daran arbeiten kann.
Heißt, da haben wir jetzt schon darüber gesprochen, dass Prozesse müssen super explizit sein und nicht in irgendwelchen Köpfen oder BPNN-Charts oder auf Miro-Boards oder so, sondern es muss aufgeschrieben sein.
Daten müssen zugänglich sein in der richtigen Qualität, wir brauchen Schnittstellen in sämtliche Systeme und es müssen klare Regeln geben, muss klare Regeln geben, was KI darf und was nicht.
Aber wenn das da ist, ist es möglich, dass KI einen großen Teil der Prozesse ausführen kann, die wir heute am PC ausführen.
Und dann gibt es noch andere Sachen, die KI nicht kann, Kundenbeziehungen, Pflegen, weißt du nicht, Produkte nach vorne entwickeln und so weiter, wofür man auch gewisse Intuition, Erfahrungswissen und sowas braucht.
Da würde ich gar nicht sagen, KI soll und muss alles machen.
Und es gibt auch, glaube ich, mehr als genug Arbeit überall.
Aber das wird passieren.
So, und jetzt ist natürlich die Frage: aller Fragen, wenn ich jetzt ein Unternehmen habe, was 50 bis 100 Jahre alt ist, mit gewachsenen Strukturen, ganz viel Legacy und und und in allen möglichen Bereichen.
Was mache ich dann?
So, und ich glaube, man kann jetzt sagen, ja, man kann das immer vor sich her tragen und sagen, ja, aber wir haben ja diese Legacy, ja, aber wir, das geht bei uns nicht so einfach.
Kann man alles machen.
Es werden, ich spreche ja auch in meinem Podcast jetzt mit immer mehr so Challenger-Unternehmen, die einfach auf der grünen Wiese anfangen und sagen, wir gehen jetzt in diese Industrie rein mit einem AI-First-Ansatz.
AI-First Anwaltskanzlei, Steuerberatung, wie heißt das, Hausverwaltung.
Also erstmal natürlich alles, was Asset-Light ist und disruptieren das mit einem radikal effizienteren Geschäftsmodell.
Ich glaube auch, was auch öfter passieren wird, dass auch traditionelle Unternehmen, auch da habe ich so ein paar Beispiele auch, mit denen ich zusammenarbeite, die sagen einfach, wir nehmen die grüne Wiese rechts daneben und fangen da nochmal neu an.
Ja, und so.
Ja, auf jeden Fall.
Das ist die einzige Chance, glaube ich auch.
Gründen eine Gesellschaft aus und fangen halt direkt mit AI-First Gedanken auf alle Strukturen genauso aufzubauen.
Und dann haben wir aber auch einige Kunden, wo wir mit einem Bereich anfangen, der die größte Bereitschaft hat, das zu tun, also wo wir in den Daten, den Systemen, der Kultur und Bereitschaft auch der Mitarbeiter, Prozess, Robustheit und Qualität, die das größte Potenzial sehen.
Das sind oftmals so die kommerziellen Bereiche, Marketing, Vertrieb und so.
Und fangen dann da an.
Und sagen einfach, was sollen wir tun?
Also, ich finde die These interessant, dass du sagst, vielleicht passt sich die KI irgendwann uns an.
Ich weiß es nicht, man kann darauf vielleicht spielen.
Ich bin immer so ein Pragmatiker und sagt, lass uns doch anfangen, wo wir heute stehen mit dem, was wir jetzt haben.
Und von da legen wir los und wir entwickeln ein Zielbild, wo wir hinwollen und so weiten halt los.
Und da gibt es verschiedene Wege, wie das gerade passiert, aber ich glaube, der Druck wird größer werden durch so Challenger-Unternehmen, die einfach radikaler in ihrer Transformation sind und in diesem Weg einfach gehen oder eben auf der grünen Wiese anfangen.
Und ich glaube, wer wirtschaftlich erfolgreich arbeiten will in den nächsten zehn Jahren oder so, der wird nicht drum herum kommen, die möglichen Effizienzen, die durch KI entstehen, auch zu heben.
Auf jeden Fall.
Und ich stimme dir zu, der iterative Ansatz, Software zu entwickeln, ist doppelt so schnell, als wenn du erst wartest, bis es perfekt ist.
Also jede Iteration ist besser als abzuwarten.
Und das, glaube ich, gilt auch für alle Lebensbereiche und alle Momente.
Dieses, also erstmal to get into doing ist super wichtig.
Also gerade gerade im Hinblick auf KI, weil keiner von uns weiß, wie sich die Systeme weiterentwickeln werden, wie die aussehen werden, auch nur in zwölf Monaten, schwer to sagen.
Aber dass es kommen wird, glaube ich, das ist ganz sicher.
Und dass wir irgendwie vorbereitet sein müssen und so weiter, ist auch sicher.
So, das heißt, ich glaube, das Einzige, was wir machen, ist genau das, was du machst.
Das heißt, weiterentwickeln und probieren und eben Agenten bauen.
In der Hoffnung, dass sich die KI irgendwann den Menschen anpasst.
Ja, in der Hoffnung.
Aber ich glaube, was jeder jetzt tun kann, ist vielleicht auch KI erstmal beiseite zu lassen und zu sagen, ey, okay, dann kümmern wir uns darauf, dass wir darum, dass wir unsere Daten zusammenziehen, dass diese Daten aktuell bleiben, weil wir Prozesse drum herum bauen, dass das passiert.
Dass wir mal sagen, für diese fünf Prozesse, die jeder ein bisschen anders macht, entscheiden wir uns für einen und dokumentieren den mal sauber.
Und wir setzen uns zusammen und schreiben nicht nur eine KI, eine Richtlinie für KI für unsere Mitarbeiter, was die dürfen und was nicht, sondern wir setzen uns auch hin und bestimmen die Regeln für KI, was sie darf und was nicht.
Und dann gucken wir, dass zum Beispiel irgendwelche EAP-Systeme oder CM-Systeme, wo es keine Schnittstelle zu gibt, also wo niemand einfach drankommt und wir mit Export-Import arbeiten müssen, um die Daten zu kommen, was es ja noch so oft gibt, dass mal in die Cloud zu bringen, damit auch da jemand dran kommt und wir eine moderne API haben, um diese Daten da rauszubekommen und Daten reinschieben zu können.
Also, das sind ja nun mal die Dinge, die geklärt werden müssen.
Und natürlich ist das alles nicht einfach, ja.
Aber ich glaube, es lohnt sich jetzt immer mehr, weil der Hebel, der entsteht, wenn man diese Strukturen hat.
Und ich kenne auch Mittelständler, die haben das, ja.
Also, die haben einfach ihre Hausaufgaben gemacht und viel investiert und die sind jetzt bereit, KI dort drauf zu setzen und einen Hebel in ihrer Produktivität zu erzeugen.
Also ich glaube, dieser, es lohnt sich immer mehr, diesen Weg zu gehen, auch durch den Schmerz durchzugehen, weil das Potenzial, da KI draufsetzen zu können, wird jetzt halt nur noch größer mit KI, die sich weiterentwickelt.
Ja, absolut.
Ich glaube auch.
Es bleibt auf jeden Fall very exciting und unsere Keynotes, also deine vor allen Dingen auch, ist glaube ich bald auf YouTube verfügbar, müssen wir mal schauen.
When ich jetzt finde, verlinke ich es in den Show notes.
Ansonsten wird sicherlich bald gemacht.
Ich finde es super spannend mit dir zu sprechen, weil du so tief in diesem Thema drin bist und so tief in der Praxis, wie ich es keinen kenne, tatsächlich.
Deswegen, wir müssen diese Updates häufiger machen.
Ich glaube, du bist wirklich so Mr.
Agent.
Hat mir auf jeden Fall sehr, sehr viel Freude gemacht.
Liebe Hörerinnen und Hörer, hört auch die Folge von gestern bei AI First.
Und ich wünsche euch frohe Ostern und dir auch.
Bis bald.
Vielen Dank, Frohe Ostern.
Ciao, ciao.