# Enterprise AI: Solving Hallucinations for Production-Ready Systems

**Podcast:** AI FIRST Podcast
**Published:** 2026-05-15

## Transcript

Herzlich willkommen zum AI First Podcast.
Eines der größten Probleme, um generative KI in komplexen Enterprise-Umgebungen zum Laufen zu bringen, sind Halluzinationen.
Also Falschantworten, die von einer KI generiert werden, aber total überzeugend klingen.
Oftmals werden Piloten aufgesetzt, die in einer abgeschotteten Testumgebung auf wenigen Daten wunderbar funktionieren und dann, wenn sie ins Chaos der Realität entlassen werden, zusammenbrechen.
benötigt KI, um über hunderttausende Datensätze und genauso viele Aktionen fehlerfrei zu laufen und in großen Unternehmen Wirkung zu entfalten?
Genau diese Frage möchte ich heute mit meinem Gast Sushil Bichgarnath besprechen, der sich genau das mit seinem Unternehmen Octonomy zur Mission gemacht hat.
Sushil, schön, dass du hier bist.
Vielen Dank für die Einladung.
Ich freue mich sehr auf das Gespräch.
Du bist ja nicht mehr ganz so grün hinter den Unternehmerohren.
Hast du schon ein bisschen was gemacht in deiner Laufbahn?
Wenn dich jetzt jemand fragt, wer bist du und was machst du?
Wie antwortest du darauf?
Also, wenn es das Lied ist, so was habe ich gemacht in der Vergangenheit.
Tatsächlich, also in der Schulzeit ging das los.
Damals unser erstes Unternehmen gegründet gehabt.
Da ging es um Softwareentwicklung zu einer Zeit, als ERP-Systeme auch nicht so groß gewesen sind.
Da konnte man ganz gutes Geld damit verdienen.
Bin danach aber eher in die Beratung gegangen, also nach dem Abi, nach dem Studium.
Hab mich da ein paar Jahre getummelt, war dann eigentlich eher in Konzernumfeldern unterwegs.
Da insbesondere immer in digitalen Geschäften.
Zum Schluss war ich mal bei der RTL-Gruppe in Deutschland und habe dort den Online-Bereich verantwortet.
Das weiß heute keine Sau mehr, war damals eines der zehn größten Internetportfolios Deutschlands.
Kann man sich so gar nicht vorstellen.
Aber das hat sich ja alles eine ganze Weile weiterentwickelt.
Und von der Warte aus bin ich dann eigentlich wieder ins Unternehmertum gegangen, habe SaaS-Beschäfte gegründet, dann in der Regel immer begleitet, aufgebaut.
Und im guten Fall zum Exit geführt oder in eine stabile Cashflow-Lage, zuletzt halt mit einem IT-Dienstleister, mit dem wir eigentlich schon sehr viel KI-Beratung gemacht haben.
Und aus der Situation heraus hat sich letztendlich auch Autonomy ergeben, weil wir einfach die Marke doppeltüren und die Gesehene haben und diesen Pain-Punkt der Halluzination und wie schwierig das eigentlich ist, aus gut aussehenden Demos tatsächlich reale Cases zu machen, die im produktiven Alltag dann für Unternehmen auch Mehrwert stiften.
Was ist denn heute für dich anders, ein Unternehmen aufzubauen im Vergleich zur Vergangenheit, wo du das gemacht hast?
Ich glaube, wenn du das ein paar Mal gemacht hast, dann gibt es ja schon ein paar Dinge.
Du wirst ja nicht immer alles nur richtig gemacht haben in deinem Leben, sondern da gibt es dann auch ein paar Themen, von denen man gelernt hat, wo man sagt, Mensch, wenn ich das nochmal machen könnte, dann würde ich da jetzt genauer hinschauen.
Und ich glaube, der Riesenvorteil, das jetzt nochmal zu machen, ist, dass wir, glaube ich, ein ganz gutes Netzwerk haben.
von Leuten, mit denen wir in der Vergangenheit zusammengearbeitet haben, wo wir also sehr genau wissen im Technikbereich, was sie können und dass man aus dem Netzwerk heraus eigentlich sofort ein Team aufbauen kann, was dann da steht, wo jeder seine Stärken, seine Schwächen kennt, was gut funktioniert.
Jetzt gerade im AI-SaaS-Geschäft oder grundsätzlich in skalierbaren Geschäftsmodellen ist immer so ein Thema, Nein sagen zu können.
Also nein zu sagen im Sinne von, das machen wir jetzt nicht, weil das nicht unserem Fokus entspricht, auch wenn ich dem letzten Euro hinterherlaufen könnte und das so verlockend gerade ist.
Und das ist sicherlich immer so eine der Fallen, in die sich Unternehmen gerade in den Anfangsphasen befinden können, wenn sie sich nicht genug fokussieren, dass sie dann sehr schnell nicht skalierbare Prozesse aufbauen.
Das ist so ein anderes Thema.
Wir haben ansonsten einfach die Ruhe.
Also Unternehmertum ist ja immer, es geht auf, es geht ab.
Man liest in der Presse immer nur, es geht natürlich alles nur aufwärts, aber am Ende des Tages ist es ein ziemlicher Rollercoaster-Ride.
Und wenn man das vielleicht schon ein, zweimal erlebt hat, kann man das mit einer gewissen Ruhe angehen, die dann für das gesamte Unternehmen und eigentlich für das ganze Team gut sind.
Jetzt ist es ja gerade mit KI auch auf der einen Seite immer einfacher geworden, Software zu bauen.
Was ist...
Wenn es immer einfacher wird, alles bauen zu können und dass alles immer schneller geht, ist ja genau die Frage, was wollen wir genau bauen, was brauchen unsere Kunden genau, die wird ja immer wichtiger, um nicht zu stark in die falsche Richtung zu laufen.
Wie managt ihr das, sicherzugehen, dass ihr an den richtigen Themen arbeitet?
Ich glaube, dass das, was eine gute Company tun sollte, ist sicherlich zum einen auf die Kunden zu schauen und den Blick zu haben, zu sehen, was sind gerade Pain-Punkte, was sind die größten Treiber, die dir helfen, Mehrwert für deine Kunden zu schaffen.
Da gibt es unterschiedliche Philosophien, Frage deine Kunden oder zumindest beim iPad hat Steve Jobs wahrscheinlich niemanden gefragt, sondern hat es einfach entwickelt und dann war es da und Leute fanden es cool.
Und ich glaube, dass wir allerdings machen, dass wir gucken uns sehr genau die Prozesse an, die Pain-Punkte, die Kunden haben und versuchen daraus letztendlich die Produktweiteentwicklung abzuleiten.
Und bisher klappt das, glaube ich, ganz gut.
Wie seid ihr denn damals auf dieses Problem gestoßen, was ihr heute löst und seid zu dem ersten Produkt gekommen, mit dem ihr das angeht?
Naja, also tatsächlich die praktische Erfahrung.
Also wir haben halt viel KI-Beratung im Mittelstand gemacht.
Da ging es erstmal darum, Warum nutzen wir KI?
Wie nutzen wir KI?
Was sind die Potenziale, eine Roadmap aufzubauen und dann tatsächlich in die Entwicklung zu gehen?
Und das eine sind ja Demos, die total cool aussehen, die sofort Mehrwert schiften.
In dem Moment denkst du das zumindest, aber dann wirklich in die produktive Anwendung zu gehen, da gibt es dann ja schon so die ein oder andere Stolperfalle.
Und die größte, die wir eigentlich gesehen haben und von der wir auch glauben, das ist heute auch der zentrale Punkt, warum...
eine Großzahl der KI-Initiativen halt doch nicht so erfolgreich ist, ist die Antwortgenauigkeit, die Halluzinationsfähigkeit der KI und letztendlich in komplexen Wissensumfeldern dafür zu sorgen, dass du möglichst halluzinationsfrei mit einer sehr hohen Antwortgenauigkeit arbeiten kannst.
Das ist essentiell dafür, dass du überhaupt einen Geschäftsprozess automatisieren kannst.
Und wie, was waren die Lösungen, wie Unternehmen das vorher angegangen sind?
Also ich bin ja auch viel in dem...
Bereich unterwegs und ich glaube, die klassischen Rack-Chatbots, also ein Retrieval-Augmented-Generation-Bot, der auf eine Wissensdatenbank zugreift und sich basierend auf der Abfrage dort Informationen rauszieht, die zurück an das LLM gibt, um daraus die Antwort zu generieren, das ist ja was, was sehr, sehr viel gebaut wurde und wo ja jetzt erstmal ein Unternehmen auch von ausgehen könnte.
dass der sich doch die Informationen aus dieser Wissensbasis rausholt, die ich bereitstelle.
Und wenn ich dort saubere Daten habe, dann bekomme ich doch eine passende Antwort.
Und so sieht das in den KI-Demos auch immer aus.
Und wenn man dann plötzlich von zehn Dokumenten auf 10.000 oder 100.000 Dokumente geht, die dann plötzlich im Unternehmenskontext im Einsatz sind.
klappt das plötzlich nicht mehr so gut, sondern dann fällt die Antwortqualität eher so auf vielleicht 60 Prozent, wenn man gut ist oder vielleicht sogar 40 oder 30 Prozent.
Wir haben das jetzt tatsächlich gerade in einer Studie gemacht, in einer unabhängigen Studie, die genau das geprüft hat.
Und was du da siehst, ist, wenn du in komplexe Wissensumfelder gehst, also insbesondere, nimm mal den Maschinenbau oder nimm mal, ja, Maschinenbau ist, glaube ich, ein ganz gutes Beispiel, also Hersteller von technischen Geräten.
Die sind schon hochkomplex.
Die haben Schaltpläne, die haben Hydraulikpläne, die haben Tabellen, die haben Text und das über Zehntausende von Seiten verteilt für vielleicht nur einen einzigen Anlagetyp.
Und das halluzinationsfrei dann aus einer Wissensbasis herauszulesen, das funktioniert mit einem klassischen Rackmodell halt eben genau nicht mehr.
Was habt ihr jetzt, also wie kann ich mir jetzt euer Produkt vorstellen?
Wer arbeitet damit und was für Daten?
Also du hast jetzt gerade schon ein Beispiel gegeben.
Also das sind dann wirklich nicht nur Dokumente, wo Text drin steht, sondern da sind auch technische Zeichnungen drin oder vielleicht technische Spezifikationen, ein Mix aus Zahlen und Wörtern, wo jetzt ein Mensch, der da drauf guckt, nicht unbedingt sofort wissen würde, was das bedeutet, sondern dahinter verschiedene Codierungen.
liegen, die dann verstanden und ausgewertet werden müssen.
Das ist jetzt so das, was mir im Kopf rumschwirrt, aber du kannst es wahrscheinlich noch mal ein bisschen besser erklären.
Ja, am Ende sind es genau solche Dokumente.
Können natürlich auch ganz normale Textdokumente sein.
Selbst die können beliebig komplex sein, wenn du dir überlegst, welche Querverweisung es zwischen Dokumenten geben kann, die erst mal auf den ersten Blick gar nicht so.
so offensichtlich sind.
Aber bleiben wir bei dem technischen Beispiel, da hast du genau die Form von, sagen wir mal, unstrukturiertem Wissen, was in Manuals, in Bedienungsanleitungen, in Richtlinien letztendlich verborgen ist.
Und die verarbeiten wir im Prinzip so, wie das menschliche Auge das auftun würde, also der Human Cortex.
Mit dem haben wir uns sehr genau angeschaut und einfach letztendlich ein bisschen von der Evolution gelernt.
In dem Moment, wo du Informationen verarbeitest, machst du das immer in unterschiedlichen Bedeutungsebenen.
Also du siehst jetzt vielleicht erst mal ein Bild, dann sagst du, Mensch, das sind vier Elemente, da ist vielleicht eine Zeichnung, da ist eine Tabelle.
Nimm mal die Tabelle, dann fragst du dich, Mensch, diese Tabelle, wofür ist die eigentlich da?
Welche Fragen beantwortet die mir dann?
Und wofür könnte ich das möglicherweise in der Zukunft wieder gebrauchen?
Wenn du das über Hunderttausende von Dokumenten versuchst zu replizieren, brauchst du dir im Prinzip eine Art fotografisches Gedächtnis.
Also du weißt dann relativ genau, wo habe ich denn diese Information schon einmal gesehen?
Und wie referenziert die möglicherweise auf die anderen Dokumente?
Und genauso arbeitet der Mensch letztendlich auch.
Du findest hier eine Antwort nicht nur in einem, sondern eher in einem Multi-Step-Prozess auf eine komplexe Fragestellung.
Und auch nicht nur in einem Dokument, sondern in ganz vielen, wo du die Schnipsel sozusagen zusammenholst.
Und da haben wir halt ein sehr gutes System gebaut, von dem wir zumindest glauben, dass es in Europa, haben wir es nirgendwo gesehen, in den USA, nach To the Best of All Our Knowledge, haben wir es auch nicht gesehen, was halt mit einer sehr hohen Antwortqualität.
genau in diesen Umfeldern arbeiten kann, wo Unternehmen im Moment kaum eine gute Lösung haben.
Die gibt es einfach im Moment nicht.
Und das ist halt unser Sweet Spot.
Ich will da natürlich noch mal ein bisschen technisch auch tiefer reingraben.
Und du wirst mir wahrscheinlich nicht eure IP jetzt hier im Podcast rausgeben.
Aber um halt so ein bisschen zu verstehen, was brauchst du?
Was braucht es, um wirklich produktionsreife KI auf die Beine zu stellen, die in solchen komplexen Enterprise-Umgebungen?
funktioniert.
Also wir haben jetzt gerade mal so das Einfachste oder eine sehr einfache Form besprochen, nämlich du hast irgendwie ein Large Language Model mit einem Chat-Interface da drüber, gibt es irgendeine Frage ein und das wird über einen Retrial Augmented Generation Mechanismus, da werden verschiedene Datenquellen befragt, da werden die Informationen über so Chunks rausgezogen, zurück ans Large Language Model gegeben und der generiert dann daraus die Antwort.
So, und jetzt hast du den Multi-Step-Prozess, der wie ein menschliches Auge- und Gehirninformationen verarbeitet und darüber ein Gedächtnis aufbaut, gerade mal so beschrieben.
Zwischen A und B.
Was liegt da noch so alles dahinter, was notwendig ist, um diese deutlich höhere Antwortqualität zu erzeugen?
Was ist die Komplexität in dem System dahinter?
Weil man könnte ja jetzt, und dann mache ich euch gleich auf, man könnte ja jetzt annehmen, ja okay, dann schalte ich vielleicht einfach noch, andere Modelle dahinter, die nochmal überprüfen, ob denn das, was das erste Modell da rausgesucht hat, richtig ist.
Kannst du versuchen?
Haben wir auch alles probiert.
Dann wirst du nicht zu dem Ergebnis kommen, was du dir am Ende des Tages wünschst.
Und das hängt wirklich sehr stark von dem Komplexitätsgrad ab, über den wir jetzt hier gerade sprechen.
Am Ende des Tages, um etwas lauffähig zu bringen, ich glaube, das war ja deine Frage bezüglich einer produktiven Anwendung in der KI, in einem komplexen Wisszumfeld.
Das Einzige, was wir brauchen, ist Zugang zu den Dokumenten.
die verarbeiten wir halt und die preprocessen wir, also in einer Art und Weise, dass ein Large Language Modell das einfach gut interpretieren kann.
Und ich glaube, im Kern geht es dann darum, ja, die Daten vernünftig aufbereitet zu haben, aber auch, das ist eine Sache, auf die wir uns spezialisiert haben, möglichst wenig in das Kontextfenster von Sprachmodell zu packen.
Musst du dir ja so vorstellen, wenn du 500 Seiten mir gibst und dann sagst du mir Mensch, schau dir diese 500 Seiten an und da ist die Antwort drin.
Oder dann such mir bitte die richtige Antwort heraus.
Dann kostet mich das ein bisschen an Zeit, vielleicht auch ein bisschen an Geld.
Aber vor allen Dingen verwirrt es mich möglicherweise, weil ich mir alle 500 Seiten anschauen muss.
Und jetzt stell dir vor, du hättest ein System gebaut, wo du für die relevante Frage vielleicht maximal zwei Seiten rüberschiebst, zwei Seiten an Content.
Das sind aber auch genau die, die relevant sind.
halluziniert das System weit weniger.
Und das ist eines der Themen, mit denen wir da mit viel Research und Development uns darum gekümmert haben, das richtig hinzubekommen.
Also letztendlich die IP, die wir entwickelt haben, hat mit dem eigentlichen LLM überhaupt nichts zu tun.
Die liegt davor, die liegt danach.
Und dementsprechend ist es immer so lustig, im Venture Capital Kontext wirst du sehr oft gefragt, ob jetzt eine Firma ein KI-Wrapper ist.
Also das, was man so sieht, jetzt gerade auch Unternehmen, die dann weggeboostet werden von Entropic quasi mit einem neuen Modell um die Ecke gekommen sind, was dann das eigene Geschäftsmodell in Frage gestellt hat.
Und das, was wir halt machen, hat mit dem eigentlichen LLM überhaupt nichts zu tun.
Wir könnten das sogar austauschen gegen ein viel dümmeres LLM.
Also für uns ist eher das LLM die Commodity als andersrum.
Aber trotzdem wertet ihr ja zum Beispiel auch so technische Zeichnungen aus.
War da die Weiterentwicklung der Modelle zum Beispiel auch besser sehen zu können, ja nicht nur Text auszulesen, sondern auch visuelle Inhalte zu verarbeiten?
War das wichtig für euch oder nutzt ihr da eine andere Methode?
Wir nutzen wahrscheinlich eine andere Methode als die, die die meisten Leute im Markt nutzen würden und haben da unglaublich viel ausprobiert an der Stelle.
Also es war wirklich sehr viel Research und Development dazu, in einer Methode zu kommen, von der wir gesagt haben, dass die wirklich skalierbar funktioniert und wirklich aus dem Stand heraus, also möglichst automatisierbar.
Du willst dir jetzt auch nicht für jedes Wissenssystem unglaublich viel Hand anlegen müssen, damit die Antwortqualität hoch wird.
Und das ist sicherlich eines der Themen gewesen, in denen wir ganz viel Arbeit investiert haben.
Wie wichtig ist die Weiterentwicklung der Modelle noch für euch?
Also wenn jetzt Opus 4.7, GPT 5.5 auf den Markt kommen, sind dann eure Engineers ganz unruhig und bauen das sofort ein und testen das aus?
Nee, eigentlich überhaupt nicht.
Also wir freuen uns über jedes Modell, was kommt, was irgendwie Mehrwert bietet.
Also wenn du jetzt siehst, die letzten Modelle, die gekommen sind, wo der Reasoning-Prozess noch ein bisschen besser ist, wo du irgendwie...
tolle Dokumente sozusagen auf Auto-Create stellen kannst.
Das ist alles gut, da freuen wir uns drüber.
Aber es ist eigentlich nicht notwendig, um die Antwortqualität zu verbessern, die wir heute schon haben.
Also die bestehenden Modelle, die da gerade im Markt sind, sind für uns gut genug an der Stelle.
Es geht dann eher darum, wenn du an weitere Geschäftsprozesse denkst oder Dinge, die einfach nützlich sind, jetzt ein PowerPoint aus einem bestimmten Wissenschaft zu generieren oder ein gutes Word-Dokument.
Da freuen wir uns über alles, was kommt.
Das nutzen wir gerne mit.
Total spannend, dass du das sagst, weil ich stelle allen KI-Unternehmern hier immer diese Frage und ich bekomme immer wieder die gleiche Antwort.
Ist das auch?
Ja, dass die weitere Entwicklung der Modelle eigentlich nicht mehr das ist, was jetzt notwendig ist, um noch mehr Qualität aus dem Produkt zu holen, sondern eigentlich geht es um ...
User Experience, Infrastruktur drumherum, die notwendig ist.
Datenqualität auf Kundenseite, Prozessqualität auf der Kundenseite, User Adoption.
Das sind oftmals die Themen, die herausfordernder sind, aber nicht mehr die Qualität der Modelle.
Ja, also ich würde das unterschreiben.
Entropic ist ja jetzt in den letzten ...
auch immer mehr in verschiedene Vertikale gegangen.
Wir haben gesagt, wir partnern jetzt mit Freshfields, um in den Legalmarkt zu gehen, haben ein eigenes Design-Tool rausgebracht.
Und so arbeiten sie sich Schritt für Schritt weiter vor.
Was ist da dein Take da drauf?
Könntest du dir vorstellen, dass so ein OpenAI oder ein Entropic auch irgendwann in euer Vertical gehen und sich genau diesen Use Case auch anschauen?
Oder beschäftigt dich das nicht?
Kann ich das ausschließen, dass es eines Tages passieren wird?
Nein, weil woher will ich wissen, was in der Zukunft passiert?
Macht es mich unruhig?
Nein, das ist die Fragestellung, die wir uns regelmäßig, nehmen wir uns die halt eben vor und gucken uns den Markt genau an, wie der sich weiterentwickelt hat, was das möglicherweise für unser Geschäftsmodell bedeutet.
Wir sind eigentlich zu dem Schluss gekommen, wir machen das jetzt schon eine Weile, wo wir uns das angucken.
Wir glauben eigentlich nicht, dass das ein Thema der LLMs ist, mit dem wir uns gerade auseinandersetzen, weil nochmal, es liegt davor, es liegt dahinter, was du dafür machen musst.
Und ich glaube, in dem Moment, wo du auf Geschäftsmodelle guckst, die originäre IP entwickelt haben, also wirklich ein Produkt, von dem man sagt, das ist ein Mehrwert und ist nicht einfach nur ein dünner Layer, der auf dem Sprachmodell gelegt wird, dann bist du verteidigbar.
Und zumindest die Roadmap, die wir uns gebaut haben bei Octonomy, also das, was wir heute schon haben, glauben wir, ist extrem verteidigbar.
Das kannst du nicht einfach mal in zwölf Monaten nachbauen.
Das wird nicht funktionieren, selbst wenn du in Tropic bist.
Und das Zweite ist halt, dass ich schon glaube, dass du Mit einem guten Produkt, wenn du für bestimmte Use Cases deine Verticals und deine Kunden gut verstanden hast, dann ist das ja weit mehr, als einfach nur die Fähigkeit, eine Frage zu stellen und eine Antwort zu bekommen.
Denn das ist eigentlich ein ganzes Intelligenzsystem, was du dann um einen Geschäftsprozess in einem bestimmten Vertical bauen willst und kannst.
Das ist dann in der Regel so gut, dass du sagen würdest, selbst wenn jetzt ein Anbieter sich entschließen würde, in dieses Vertical zu gehen, dann wird er das niemals so gut machen, weil es dann für ihn viel zu nischig ist.
Also was für uns immer noch ein Milliardenmarkt sein kann, ist dann an der Stelle aber nicht mehr der Happy Path von Big Tech Unternehmen.
Und ich glaube, solange man sich darauf besinnt.
Das sind ja immer Patterns.
Wir tun jetzt so, als ob das alles total neu ist, aber das sind genau die gleichen Patterns, die du gesehen hast, wenn du die letzten 20, 30 Jahre in Software und in Technik zurückgeschaut hast.
Und das wird jetzt die Kali auch nicht verändern.
Kurz in eigener Sache.
Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung.
Mit einer 5-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns, sichtbarer zu werden und AI First weiterzuentwickeln.
Für dich und die gesamte Community.
Ich danke dir.
Was sind denn die Use Cases für euer Produkt?
Sind das Support- und Service-Anwendungsfälle oder geht das auch noch darüber hinaus?
Es geht eigentlich weit darüber hinaus.
Das, was wir im Marketing machen, ist, wir gucken schon eher, dass wir dann in dem Support Vertical unseren ersten Use Case setzen.
Also meistens ist das der Kundenservice, der technische Kundenservice.
Der Field Engineering Service, der bei Kunden relevant ist, am Ende ist das eine Plattform, die viel mächtiger ist und viel mehr Dinge umsetzen kann.
Wir machen es allerdings aus Marketingaspekt heraus eher weniger, denn wenn du mit einem horizontalen Produkt kommst und einfach sagst, wir können alles, dann glaubt erstmal keiner, dann denkt jeder, du kannst erstmal nichts.
Dementsprechend ist das unser Vertical, in dem wir uns gerade tummeln, also komplexe Wissensumfelder und dort insbesondere der Kundenservice, der technische Kundensupport.
den wir versuchen zu automatisieren oder zu assistieren.
Jetzt bin ich so ein Maschinenbauer und habe da totale Herausforderungen, ausreichend Mitarbeiter zu haben, die das technische Know-how haben, um die eingehenden Kundenanfragen und Anrufe bearbeiten zu können.
Und ich habe da immer diesen Engpass.
Jetzt fange ich an, mit euch zu arbeiten.
Was sind dann so Ergebnisse, die ihr da im Schnitt seht?
wie großer Anteil der einlaufenden Anfragen von Kunden dann durch euer System bearbeitet werden kann?
Oder woran messt ihr das?
Ja, absolut.
Also das gucken wir uns schon sehr genau an, was die Automatisierungsrate ist und was man da erzielen kann.
Und das hängt aber wirklich ganz vom Use Case wiederum ab.
Ist das der First Level Technical Support?
Das ist der Second Level Technical Support, über den du danach denkst.
Wenn du, sagen wir mal, in Richtung Endkunde agierst, ist das sehr gut möglich, sagen wir mal so zwischen 30 und 70 Prozent zu automatisieren.
Da haben wir eigentlich alles gesehen an der Stelle.
Ob du...
Automation dann aber so begreifst, ich glaube, das ist nochmal der Riesenunterschied, dann zu sagen, jetzt habe ich auch das Personal gespart.
Das ist eigentlich das, was wir am allerwenigsten in Deutschland gerade sehen, sondern es ist eher die Situation, die du gerade beschrieben hast.
Das ist immer noch der Fachkräftemangelmarkt, wo es den meisten Unternehmen halt eben nicht gelingt, die qualifizierten Mitarbeiter zu finden, um überhaupt erstmal das Team richtig aufzustellen.
Oder das Team ist überlastet.
Also das Budget ist jetzt auch nicht üppig, gerade in Support Verticals.
Und die Leute sind überlastet.
Sie haben unglaublich viele repetitive Aufgaben.
Also es ist eigentlich niemand, der, das finde ich das Interessante, der Angst vor KI haben muss und auch hat, sondern eigentlich freuen sich alle drauf.
Auch das Team freut sich darauf, dass KI eingeführt wird, wenn man dann endlich Zeit hat, sich um die Themen zu kümmern, die vielleicht ein bisschen komplexer sind, wo ein Kunde vielleicht mal wirklich eine Herausforderung hat, die etwas größer ist und diesen Kunden dann besser bedienen zu können und damit dann eigentlich den Unterschied zu machen in der Kundenzufriedenheit, First-Time-Fix-Rate, wenn wir jetzt zum Beispiel wieder an den Maschinenbau denken.
Aber das hast du auch in ganz normalen E-Commerce-Unternehmen oder im Handel, wo wir ja genauso tätig sind.
Auch da gibt es viel komplexes Wissen.
Und die Story ist immer dieselbe.
Also du hast eigentlich selten gut besetzte Teams, die in der Lage sind, die Kunden zu kümmern.
Kundenzufriedenheit so hoch zu halten, wie sich der Kunde das eigentlich vorstellt.
Was ist da deine Vision?
Wo denkst du das Produkt noch hin in der Zukunft?
Ich hatte ja zum Beispiel mal mit dem Malte, dem CEO von Paloa gesprochen und der hat gesagt, Kann sich eine Welt auch vorstellen, wo jeder Consumer am Ende von einer Marke seinen persönlichen Agenten hat, der eben die gesamte Historie kennt, genau weiß, wie du tickst als Kunde, sehr individuell auf dich eingehen kann und quasi deine Schnittstelle zu dieser Marke ist.
Ist das auch eine Richtung, in die ihr denkt oder sieht die vielleicht ganz anders aus?
Vision für die Zukunft.
Ich glaube, das, was der Malte da sagt, das wird so kommen.
Da bin ich mir relativ sicher.
Also das sehen wir ja heute schon in den Ansätzen, die da sind.
Da werden wir in fünf Jahren in einer ganz anderen Welt leben, die für uns auch natürlich sich anfühlt.
Also da wird niemand mehr in der Hotline sein wollen und sagen, ich warte jetzt mal 30 Minuten, bis ich mit jemandem sprechen kann.
Das ist sehr unwahrscheinlich.
Oder das, was wir heute schon sehen, wenn wir Automation in B2C-Umfeldern machen, da bedanken sich die Kunden heute noch dafür.
Danke für die schnelle Antwort.
Das kommt dann an die KI zurückgemeldet, weil du gerade eine E-Mail abgeschickt hast und dann hast du drei Minuten später die Antwort zurückbekommen.
Ich glaube, all das wird sich ändern.
Das wird einfach normal für uns werden.
Und da, wo wir jetzt mit Autonomy hinwollen und wo wir auch ankommen werden, ist wirklich dieses Gehirn in komplexen Wissensumfeldern zu sein.
auf einem Level von diesem Mitarbeiter, der heißt im einen Unternehmen Hans, in dem nächsten Unternehmen heißt er Sascha.
Und das ist derjenige, der hat das schon 30 oder 40 Jahre lang gemacht.
Der weiß alles.
Der kennt die Artikelnummern von jedem Gerätetyp in jeder Gerätevariante in SAP auswendig.
Und der weiß ganz genau, wo die Dinge gefixt werden müssen und welche Maschine in Osteuropa mal stehen geblieben ist und dass genau dieses Pattern dann in Italien auch wieder Anwendung findet.
Und die Fähigkeit im Prinzip dieses Wissen.
so alle zur Verfügung zu stellen und dann mit Informationen, die im gesamten Unternehmen verfügbar sind, zu verheiraten und dich dann in die Lage zu versetzen, Entscheidungen zu treffen, die du sonst niemals hättest treffen können.
Das ist das, was wir sehen werden.
Also heute musst du dir ja vorstellen, im Kundenservice siehst du als Agent, als menschlicher Agent vielleicht einfach nur das Ticket.
Da kommt eine Anfrage rein.
Du weißt in dem Moment bestenfalls, wer der Kunde vielleicht ist.
Aber stell dir mal vor, wie viele Informationen es eigentlich im gesamten Unternehmen für diesen Kunden gibt.
Wenn du jetzt im B2B-Bereich nachdenken würdest, dann wären wahrscheinlich für diesen Kunden hunderte von Tickets in der Historie, wo er sich beschwert hat, wo Einzelteile nicht so angekommen sind, wie er sich das vorgestellt hat.
All diese Informationen könntest du durchstöbern.
Du könntest im vertrieblichen Bereich alle Informationen durchstöbern.
Also du kannst wahrscheinlich, wir haben das jetzt bei einem Kunden gemacht, 15 unterschiedliche Unternehmenssysteme angezapft.
um erstmal die gesamte Informationsbasis zusammenzustellen, die du dann hast, bevor du überhaupt mit dem Kunden in Interaktion trittst.
Und die Informationsbasis, die dir da zur Verfügung steht, ist einfach so sensationell gut, dass du ganz anders agieren kannst und viele intelligentere Antworten geben kannst, als das Mensch heute in der aktuellen Situation normalerweise könnte.
Du hast gerade von Hans und Sascha gesprochen und da muss ich kurz schmunzeln, weil das gibt es ja in jenem gewachsenen Unternehmen hast du diese starken Wissensträger.
Und gleichzeitig ist ja das Wissen irgendwie in dem Kopf und ihr könnt ja jetzt das tollste KI-System dahin stellen, wenn das, was diese Menschen wissen, nicht irgendwie aus dem Kopf rauskommt, dann kann die KI...
damit ihr auch nicht arbeitet.
Also sie kann mit dem arbeiten, was explizit irgendwo aufgeschrieben ist, aber oftmals kommt es ja dann doch auch auf die Zwischentöne und das Erfahrungswissen an, was nicht immer aufgeschrieben ist.
Wie schafft ihr das, dieses Wissen daraus zu bekommen und zu dokumentieren?
Das ist ganz spannend.
Ich glaube, das ist teilweise sogar ein Missverständnis.
Also was du sagst, ist nicht falsch.
Hans und Sascha wissen das, aber die...
Die automatische Annahme, dass dieses Wissen nirgendwo verschriftlicht wäre, die ist nicht zu 100 Prozent richtig, sondern das ist halt das Verständnis, wenn du eine Windkraftanlage nimmst von einem einzigen Anlagetyp.
Ich bin jetzt wieder im Maschinenbau sozusagen.
Da hast du ungefähr 50.000 Seiten.
Wenn du die verinnerlicht hättest, dann weißt du ganz viel von Sascha und von Hans.
Der weiß es einfach nur auswendig und kein Mensch wühlt sich durch 50.000 Seiten durch.
Das heißt, das strukturierte Wissen, was im Unternehmen, sagen wir mal eben, von mir aus in unstruktureller Form da ist, das überhaupt erstmal vernünftig aufzubereiten, das bringt schon zu 90 Prozent dahin, wo Sascha und Hans heute sind.
Und die anderen 10 Prozent, da gebe ich dir recht, die sind möglicherweise in den Köpfen.
Die kannst du aber auch extrahieren aus, sagen wir mal, Dialogen, die Hans und Sascha möglicherweise in der Vergangenheit geführt haben.
Das wirst du in historischen Ticketverläufen möglicherweise sehen, aus denen du dann wiederum synthetische Wissensartikel erstellen kannst und das Wissen halt eben dann doch abzapfst, ohne jetzt detaillierte Interviews geführt zu haben.
Und dann gibt es vielleicht noch fünf Prozent des Wissens, wo man sagt, Mensch, das wäre toll.
Da müssen wir mit den beiden Kollegen, mit Sascha und Hans, nochmal in Interviews gehen und versuchen, strukturiert dieses Wissen abzugreifen.
Und das ist...
ja auch etwas, was in manchen dieser Projekte tatsächlich passiert und was man dann zusätzlich noch als Information abschöpfen muss.
Aber tatsächlich ist das ein Missverständnis zu glauben, dass das Unternehmenswissen gar nicht in der Lage wäre, das zu reproduzieren.
Eigentlich ist es da, ist es nur für den Menschen nicht verarbeitbar.
Ihr seht ja ganz, ganz viele Unternehmen.
Was würdest du sagen, haben die Unternehmen, die in der KI-Transformation gerade nach vorne kommen und vor allem auch einen echten Wert, aus der Anwendung von KI für sich ziehen, gemeinsam.
Was machen die vielleicht auch andere als der Rest, außer natürlich mit Octonomy zusammenzuarbeiten?
Sehr gut.
Was sehen wir da?
Also wir sehen bei den Unternehmen, die gut vorankommen, dass vor allen Dingen Zeit da ist.
Also dass zumindest ein Team da ist, was sagt, jawohl, wir sehen das jetzt als Aufgabe.
KI systematisch bei uns von mir aus in den Geschäftsprozess im Supportbereich einzuführen.
Und die sich darüber Gedanken gemacht haben, wo ist das Wissen, was zur Verfügung gestellt werden sollte, die sich darüber Gedanken gemacht haben, wie nehme ich das Team mit.
Also nicht einfach nur machen, sondern tatsächlich auch die Belegschaft sozusagen mitzunehmen.
Sorge vor möglichen, also du hast es ja vorhin angesprochen, Sorge zu nehmen, könnte das meinen Job kosten?
Weil das ist in seltenen Fällen tatsächlich der Fall.
Und da im Prinzip die Mannschaft mitzunehmen.
mit der IT-Abteilung einen organisierten Prozess zu fahren, weil du dich ja in der Regel bei diesen Implementationen immer mit IT-Systemen verbinden musst.
Und da braucht es dann sehr oft die Mitwirkung der IT-Abteilung, in der idealerweise das KI-Projekt auch mit verankert ist.
Und je strukturierter dieser Prozess aufgesetzt ist, desto schneller ist man dann am Ende auch wirklich real live.
Und ich glaube, was auch dazu gehört, ist so ein bisschen das...
das Wissen oder zumindest mal die Vorbereitung, das ist ja dann vielleicht auch bei uns die Aufgabe, dass wir das mit unseren Kunden gemeinsam besprechen, sie darauf vorbereiten, dass der Go-Live, also in dem Moment, wo ich dann mal mit einem KI-Thema in den Live-Betrieb gehe, dass damit die Arbeit nicht erledigt ist, sondern dass das vielleicht sozusagen Halbzeit ist und ich danach weiterlaufe.
Denn das, was ich dann tun muss, ich habe ja meine KI-Agenten und vielleicht bringen die mich dann auf das Automationsniveau von, was haben wir vorhin gesagt, 30 Prozent.
Aber dann muss ich ja sehr datengetrieben arbeiten und in der Regel so eine Plattform wie Autonomy würde dir dann auch diese Visibilität geben, weil du hast ja jede Konversation, jede Konversation kann ausgewertet werden und da kann man genau sagen, die war jetzt gut.
Oder hier hat was gefehlt.
Hier sind zusätzliches Wissen.
Wenn ich zusätzliches Wissen hätte für bestimmte Themenbereiche, die mir geklustert worden sind, automatisch, weil ich sehen kann, von mir aus im Zugangsbereich werden mir Fragen gestellt.
Die kann ich aber nicht gut beantworten, weil mir das entsprechende Wissens fehlt.
Da müssen daraus halt eben zusätzliche Wissensartikel gebaut werden, idealerweise aus den Antworten, die die Menschen dann selber gegeben haben in jeweiligen Unternehmen.
Oder wir fehlen Systemzugänge.
Und dann kannst du sehr genau sagen, ich kann meine Automation von 30 auf 70 Prozent hochtreiben.
Wenn ich diese vier Dinge mache, kannst du mit Geld sozusagen bewerten, weil es relativ genau drei Systemintegrationen kosten mich X, bringen mir dafür aber Y.
Und dann ist es halt natürlich wichtig, dass du datengetrieben arbeiten kannst, dass du Informationen hast, wo du sehen kannst, 10% meiner Automationsquote kann ich im Moment nicht erfüllen, weil mir zusätzliche Informationen für den und den Themenbereich fehlen oder weil mir folgende Systemanbindungen fehlen.
Und dieses System arbeitet dann im Prinzip mit dir zusammen.
Und da braucht es dann auch jemanden, der sich dann dafür verantwortlich fühlt, in dem Kundenserviceteam praktisch die KI-Agenten weiter zu trainieren und dafür zu sorgen, dass du in höhere Automationsquoten kommst.
Und das Verständnis von vornherein mitzubringen, zu sagen, jawohl, hier verändert sich ein Jobprofil von mindestens mal einer Person.
Leute, die sich frühzeitig darauf einrichten, die kommen dann in der Regel auch schneller vorwärts.
Hast du von dem Fachbereich und auch der IT gesprochen?
Habt ihr es auch viel mit schon KI-Teams zu tun, die aufgesetzt sind?
Absolut, absolut.
Also es gibt in vielen Unternehmen oder in immer mehr Unternehmen tatsächlich KI-Teams, die sich dann natürlich mit dem Thema auseinandersetzen und auch da sind es dann immer die klassischen Fragen, buy versus build, also welche Themen.
Welche Themen macht man möglicherweise in-house, weil sie einfach sind, weil sie leicht kontrollierbar sind für die komplexeren Geschäftsprozesse.
Allerdings guckst du in der Regel schon eher nach Lösungen, mit denen du extern zusammenarbeitest, weil die einfach zu komplex sind, sie hausintern aufzusetzen.
Und tatsächlich so ein Thema wie, sagen wir mal, Kundensupport im technischen Bereich, in den Verticals, über die wir gerade gesprochen haben, das kriegst du hausintern in der Regel nicht hin.
Eben gerade wegen der Antwortqualität zum Beispiel.
Das kannst du einfach intern gar nicht so bauen.
Ihr seid relativ früh auch in die USA gegangen, glaube ich, oder?
Wann nach Start?
Also sechs Monate nach Start.
Wir haben sofort gesehen, das funktioniert in Deutschland und bei uns von vornherein, das war bei Design, haben wir gesagt, wenn wir mit Octonomy das erreichen wollen und das Potenzial erschließen wollen, von dem wir wirklich glauben, dass es da ist, wir wollen die KI-Plattform für komplexe Wissensumfelder werden, dann müssen wir so schnell wie möglich in die USA.
Du hast gerade Malte angesprochen von Palor, der ist auch relativ früh in die USA gegangen.
Ich glaube, wir sind das dann sicherlich nochmal in unserer Evolutionsstufe ein bisschen früher den Weg gegangen.
Wir sind, also wir haben uns halt relativ sicher, dass wir eine IP entwickelt haben oder eine Fähigkeit entwickelt haben, die es so auch in den USA nicht gibt.
Das war unsere Hypothese.
Wir haben ja jetzt kein BCG-Projekt draus gemacht, dass wir sechs Monate Marktstudie gemacht haben, sondern wir hatten einfach die Opportunity, mit einem sehr, sehr guten Team zusammenzuarbeiten, das wir aus unserem Netzwerk heraus schon kannten und was wirklich eingespielt war und sofort den Vertrieb in den USA übernehmen konnte, das vorher auch für ein paar Unicorns in Deutschland gemacht hat.
Und mit dem Team haben wir dann gesagt, lass uns das sehr schnell ausprobieren, sind eine kalkulierte Wette im Prinzip eingegangen und haben dann aber festgestellt, wow, der amerikanische Markt ist mal mindestens so attraktiv.
deutscher um es vorsichtig zu sein und wie weit ist der amerikanische markt fortgeschritten in ihrer kai transformation sieht er da große unterschiede ist der reifegrad in ganz anderer das könnte man ja jetzt erstmal annehmen so aus deutschland heraus ja also das war auch unsere oder sagen wir mal ich habe schon respekt davor gehabt dass ich mir gedacht habe naja da sind die ganzen unternehmen die irrsinnige irrsinnige summen eingesammelt haben die da ist wahrscheinlich schon alles erfunden Was wir festgestellt haben in der Realität, wir haben das dann später gespiegelt mit Gardner.
Gardner kennt wahrscheinlich der eine oder andere als IT Research House, als der Gardner Quadrant und so weiter.
Und die haben uns das dann nachher nochmal analytisch gespiegelt, weil wir es eigentlich gar nicht glauben konnten.
Es fühlt sich nicht so an, wenn du Vertrieb im amerikanischen Markt machst, dass du sagen würdest, der Markt ist so viel weiter als der deutsche Markt.
Es gibt eine Stelle.
Und das hat gerade noch uns gespiegelt.
Da sind sie weiter.
Die haben früher gestartet.
Ja, das ist so.
Und dementsprechend sind sie früher auf die Nase gefallen.
Also gerade bei dem Thema Antwortqualität haben sich sehr viele Leute verbrannt.
Und das haben sie uns dann gezeigt in den Zahlen, dass die Investitionsbereitschaft von größeren Unternehmen zwischenzeitlich sogar zurückgegangen ist, als das agentische System angegangen ist.
Es wurde weniger in KI-Agenten investiert.
weil die Leute gesehen haben, das funktioniert ja gar nicht.
Das war ja dieser Demo-Effekt.
Demo war super.
Plötzlich in den Live-Betrieb zu gehen, war nicht so gut.
Das ist, glaube ich, für uns jetzt aus unserer egoistischen Perspektive heraus gut, weil wir unglaublich gerne mit Kunden sprechen, die gerade auf die Nase gefallen sind, weil sie dann das Thema der Halluzinationsproblematik kennen.
Und das macht es dann für uns viel einfacher, als mit jemandem zu sprechen, der sich dem Problem noch gar nicht bewusst ist.
Und wenn du das jetzt mit Deutschland vergleichst, sehen wir hier halt eben noch viele Unternehmen.
die noch so in diesem Demostadium sind, die vielleicht Buy versus Build massiv unterschätzen und dann sagen, ja, wir machen erst mal selber.
Und ich glaube, diese Welle, die sehen wir jetzt gerade einsetzen.
Also es ist wirklich wöchentlich, dass wir mit Unternehmen zusammensitzen, die sagen, ja, wir haben ja was für sechs oder neun Monate probiert, haben da auch viel Geld investiert.
Wir sind leider nicht da angekommen, wo wir gehen wollen.
Wenn du jetzt deine Firma aufbaust, wie groß seid ihr gerade, damit wir mal so ein Gefühl bekommen?
Es sind so ungefähr 120 Leute.
120 Leute, okay.
Hast du das vorher auch schon öfter gemacht, auch schon größere Firmen aufgebaut.
Denkst du gerade anders über eure Strukturen nach, über eure Prozesse, die Profile, die du einstellst, die Skills, die du bei den Leuten suchst?
Weil die Zeiten haben sich ja doch schon ein bisschen verändert.
Jetzt hast du auch noch KI, ihr seid ein rein digitales Unternehmen, sehr viel Engineering.
Also was ist da dein Take auf Unternehmensentwicklung und Organisationsaufbau?
Es war halt relativ klar von Anfang an, dass wir wahrscheinlich in einer Hyperscaling-Phase sein werden.
Und genau da befinden wir uns jetzt letztendlich auch.
Also rasantes Unternehmenswachstum.
Und dann brauchst du halt in den Führungsstrukturen erstmal Leute, die das idealerweise schon mal erlebt haben und nicht zum ersten Mal erleben.
Wenn du sagst, du hast jetzt nicht den Comfort der Zeit, dass du sagst, du kannst jetzt nochmal ein halbes Jahr einen Fehltritt sozusagen erlauben oder willst du den erlauben.
Der andere wäre jetzt natürlich...
schon komisch, wenn wir Autonomy nicht auch für uns selber nutzen würden, also KI in unsere Prozesse reingedacht wäre.
Und wir haben halt den Vorteil, dass wir mit 120 Leuten noch recht klein sind, dass wir keinen Legacy haben, wo wir sagen, das haben wir schon die letzten 20 Jahre lang so gemacht.
Und das ist unser Riesenvorteil.
Das heißt, alles, was wir an Prozessen machen, ist tatsächlich KI first gedacht.
Und wir nennen das Octogrow.
Also Octogrow ist so unser agentisches System in unserem Haus.
Und das geht wirklich durch die gesamten Abteilungen.
Also von R&D, also von der Tech-Abteilung, die ist hochgradig KI-geleveraged.
Also was wir da im Moment schippen können an neuem Produkt, das haben wir so vor drei oder vier Jahren in der Form nicht gesehen.
Das hat also einen erheblichen Faktor X im Produktionslevel.
Unser Sales Team ist hochgradig KI unterstützt, von wirklich Ende zu Ende und das funktioniert sensationell gut.
Selbst im Implementation Bereich, also wir nutzen KI, um KI zu implementieren, die Architektur zu machen.
Unsere eigene KI kennt sämtliche Implementationen, die wir umgesetzt haben für unsere Kunden.
Neibt daraus dann auch wiederum Erkenntnisse ab.
Das macht es uns unglaublich viel einfacher und tatsächlich in den Bereichen Finance, HR, Legal, also der ganze G&A-Bereich, den denken wir viel, viel schlanker, als wir das früher wahrscheinlich gemacht hätten.
Also wenn du da jetzt auf unsere Kostenstruktur gucken würdest, würdest du feststellen, da ist relativ wenig, was in diese Abteilung investiert werden muss.
eben weil wir uns mit KI leveragen.
Also Finance ist von vornherein von KI her gedacht.
Bei HR gibt es auch ganz viele Dinge, die du automatisieren kannst.
Und Legal, da wo ich früher Rechtsanwälte extern für NDAs, für Vertragsverhandlungen brauchte, das haben wir natürlich in Teilen auch immer noch.
Aber das ist schon sehr stark.
KI hilft uns da von vorne bis hinten überall.
Bei der 120, wie viele Leute brauchst du noch, um auf 100 Millionen AR zu wachsen?
Das ist immer so eine Klassikerfrage.
Aber ich, also sagen wir mal so, es gibt ja Teams, die sagen, Mensch, wir sind 50 Leute und wir haben vom Jahr aus 50 Millionen her.
Da hinterfrage ich tatsächlich an der Stelle sehr oft, wie hoch ist denn die technische Komplexität oder wie viele Leute arbeiten da im Engineering?
Also bei all der Liebe, was KI aktuell tun kann, um Engineering Co.
zu entwickeln, brauchst du immer noch ein starkes Engineering Team.
Wir haben einfach nur andere Aufgaben.
Und wir könnten, also wir sind jetzt ungefähr 60 Leute, 70 Leute im Engineering-Bereich, wir könnten das Team nochmal locker verdoppeln, wenn wir wollen.
Und das klingt jetzt erstmal so komisch, weil ja jeder sagen würde, Mensch, mit KI ist das doch gar nicht mehr notwendig.
Von dem, was wir sehen und was wir auch tun werden, gibt es einfach so viel, was wir noch entwickeln können, dass du auch die zusätzliche Manpower gebrauchen kannst.
Also ich habe jetzt keine konkrete Antwort.
um dir sagen zu können, genau das ist die Zahl.
Sie wird sicherlich nicht Faktor 5 sein und auch nicht Faktor 4.
Also da, wo wir letztendlich unsere Ressourcen investieren, ist vor allen Dingen in Go-to-Market und dann letztendlich im Engineering-Bereich.
Nach was für Profilen suchst du gerade?
Ich bekomme immer wieder die Frage gestellt, was passiert denn mit den Juniors, wenn jetzt immer mehr Junior-Arbeit von ...
KI übernommen wird oder die Seniors im Team so stark geleveraged werden, dass sie keine Juniors mehr brauchen, die bestimmte Aktivitäten ausführen, die vorher Juniors gemacht haben, aber dann fehlen halt irgendwann die späteren Seniors.
Wie denkst du darüber nach?
Das ist so diese Klassikerfrage.
Hast du fast in allen Branchen im Moment, im Legal-Bereich hast du das genauso, wo du dann sagst, warum brauche ich jetzt noch den Anfänger, das Kali-KI?
Du hast dieselbe Frage in der Unternehmensberatung.
Da, wo ich ursprünglich überherkam, brauchst du heute auch keine Juniorberater mehr oder zumindest denkt man so.
Da ist leider Gottes ein bisschen Wahrheit dran.
Man stellt sich so ein bisschen die Frage, wie kommen wir denn zu unseren Seniors in vier oder fünf Jahren, wenn wir die Juniors gar nicht mehr dahin entwickeln wollen.
Und das ist schon so, dass wir eher auf Seniore-Profile gucken, aber gleichzeitig auch Juniore-Profile einstellen.
Was wir feststellen, ist, wenn diese Kollegen eine große KI-Bereitschaft mitbringen, also Interesse daran haben, KI von vornherein nativ zu nutzen, dann kann das auch sehr gut funktionieren.
Also es sind dann vielleicht noch nicht die Architekten, die die letzten 20 Jahre lang die IT-Welt gesehen haben.
Das mag zwar sein, aber wir haben schon gesehen, dass in unterschiedlichen Bereichen im Research und Development wir mit Juniors tatsächlich auch besser arbeiten können, als wir das vor drei oder vier Jahren taten.
Und das nutzen wir natürlich auch.
Und ich hoffe, dass viele andere das auch tun, sonst gibt es bald keine Cineas mehr.
Sushil, vielen, vielen Dank für den Durchmarsch durch euren Weg und was ihr da gebaut habt.
Total spannend.
Ich freue mich ja immer, wenn wir vor allem hier in Deutschland auch KI-Unternehmen haben, die global in den Wettbewerb gehen und sich da auch durchsetzen können.
Von dem her, ich drücke euch die Daumen, wünsche euch ganz, ganz viel Erfolg.
Vielen Dank, Felix.
Vielen Dank und danke nochmal für die Einladung.
Hat Spaß gemacht.