# AI-First Transformation: Shifting From Personnel To Token Economics

**Podcast:** AI FIRST Podcast
**Published:** 2026-06-12

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute zu Gast ist Andreas Striez, der CTO von FINN.
Finn hat schon immer eine starke Automation-DNA und transformiert sich jetzt zur AI-First-Company.
Und ich werde mit Andreas darüber sprechen, wie sie das machen, wie sich die Organisation darüber verändert, wie er heute auf Engineering blickt und wo eigentlich noch die Bottlenecks liegen, wenn sämtliche Art von Umsetzung quasi kostenlos wird.
Andreas, schön, dass du hier bist.
Vielen Dank für die Einladung.
Erzähl einmal kurz, damit die Zuhörer wissen, wer ihr seid und was ihr macht.
Sehr gerne, ja.
Also ich bin der Andi, bin seit Tag 1 bei Finn dabei.
Ich habe das große Glück, auch einer der Co-Freundern zu sein.
Und Finn ist der, ja, wir bieten Autoabos in Deutschland an.
Wir haben jetzt einige Zehntausende Autos auf den Straßen, also über 40.000.
Also der sympathische Autohändler von dem an, wenn du so möchtest, genau.
Wie groß ist das Team heute?
Also wir sind insgesamt 400 plus Leute in München im Headquarter und Engineering, also wir nennen das nicht Engineering, wir nennen das Tech, das sind ungefähr 97, also 46, 47 Software Engineers, dann haben wir noch ein paar Produktmanager, ungefähr zwölf, ungefähr ziemlich genau zwölf, dann Business Automation und AI Manager und natürlich Data Leute, also Data Analytics, Data Science und Data Engineering.
Ja, das fand ich spannend, dass ihr schon relativ früh diese Business Automation und dann auch jetzt noch AI-Manager-Rollen implementiert hattet.
Und ich habe in meiner Vorbereitung auch gelesen, dass ihr 20 Millionen Automations pro Tag heute schon durchfeuert.
Wie aktuell ist die Zahl noch?
Die ist ziemlich aktuell.
Also am normalen Werktag, da wo wir Autos ausliefern und wir liefern hunderte Autos pro Tag raus.
wirklich, also über 1000 pro Woche und die Zahl ist ziemlich aktuell, aber das ist also ziemlich auf dem Plateau angekommen, ziemlich viel von dem ich sage, das war Automation Pilot, geht auch in AI rein, absolut.
Ja, ich will heute mal so ein bisschen verstehen, welche Grundlagen habt ihr eigentlich geschaffen und was kommt heute noch über AI an neuem Potenzial dazu, was würdest du denn sagen für so eine Digi, ihr seid eine absolute Digitalfirma, ihr habt zwar noch ein physisches Produkt, aber ein Großteil der Wertschöpfung des Kundenerlebnisses läuft ja trotzdem digital ab.
Für so ein Unternehmen, wie ihr das seid, wo siehst du da die größte Chance durch KI?
Ist es nur die Effizienz oder was anderes?
Ich glaube, Effizienz ist tatsächlich ein Riesenthema, aber ich versuche da so ein bisschen anders darin zu denken.
Eine Sache, die ich jetzt ausklammern werde oder ziemlich schnell abarbeiten werde, ist das ganze Thema AI.
Engineering-Africanthin, wie schnell können meine Softwareentwickler koden.
Also da muss man AI verwenden und das tun wir auch.
Das heißt, da siehst du schon sofort, Software Engineer wird ein Faktor 3 bis 8, es kommt tatsächlich auf den Software Engineer an, besser.
Umso, ich sage jetzt mal, umso besser der Software Engineer vorher war, umso mehr kann er AI leveragen.
Also ich unterscheide das zwischen Orchestration of AI Agents, das ist puro.
Dafür sorgen, dass ich sieben, acht Akten gleichzeitig laufen lasse.
Und dann Resilienz.
Das ist ein etwas anderer Typ von Software Engine.
Das ist die eigene Komponente.
Da können wir ewig drüber reden, aber am Ende ist es Personalkosten in Sachkosten umarbeiten.
Also Personal to Non-Personal.
Weniger Leute, mehr Tokens.
Das heißt, es ist in der P&L-Auf der gleichen Ebene, sage ich jetzt mal.
Und dann gibt es das ganze Thema, wie verändert KI oder E eine Firma?
Und das wird dann Bild.
Was wir sehen ist, jeder baut Software.
Wo wir vorher 65 Leute, wir haben die Bilder genannt, von 65, von 400 Leuten Software gebaut haben oder Internet-Tools gebaut haben, sehr viele Internet-Tools, sehen wir jetzt über 250.
Das heißt, wir haben Faktor 4, Faktor 5 mehr Leute, die Software bauen können.
Und das sind alle.
Das sind Customer Care Agents, Accountants, Key Account Manager, Talent Acquisition Manager, also HR.
oder Lead Process Manager und auch sehr C-Level.
Unser CEO kontribuiert auch zu CodePaste.
Ja, genau.
Also das ist die ganz, ganz große Veränderung, würde ich sagen.
Und also die Veränderung für Finn als Organisation selber gar nicht so groß.
Die Anzahl der Leute, die da wirklich damit arbeiten, ist massiv.
Und die AI ist für uns nur ein Tool.
Es ist keine Accountability.
Und da kommen wir zum eigentlichen Problem.
Wie kriegen wir Accountability rein?
Ich muss noch mal ein, zwei Schritte mit dir zurückgehen, weil du hast jetzt schon ein paar interessante Sachen gesagt.
Also du hast gesagt, der Token-Verbrauch gleicht den Headcount aus.
Also du brauchst weniger Leute für den gleichen Output.
In der P&L erscheint dieser Effekt aber nicht, weil der Token-Verbrauch so hohe Kosten erzeugt, wie sonst die Gehälter erzeugt hätten.
Habe ich das richtig verstanden?
Weil ich das sicherstellen muss, sonst würde der Token-Verbrauch noch Faktoren drüber gehen.
Ganz ehrlich, also ich, mein Teil von meinem neuen Job, sage ich jetzt mal seit November, Dezember ist, darf ich sorgen, dass wir bei den Tokens nicht komplett explodieren.
Also dieses ganze Token-Maxing ist ja am Ende so, wie ich darüber nachdenke, die Leute wollen rausfinden, wie viel ist Maximum möglich mit, wie sagt man so, Effizienz oder wie viel kann man aus Tokens rausholen.
Und ich muss sicherstellen, dass wir es nicht übertreiben.
Und wer?
Ja, was ist da deine Prognose?
Also glaubst du, dass, also die Frage ist ja, wie die AI Labs, wo man in Tropic, OpenAI und Co.
Geld verdienen irgendwie nach vorne raus und dafür muss ja...
eigentlich der Preis pro Token hochgehen.
Gleichzeitig werden aber natürlich die Chips und die Modelle effizienter, was dafür sprechen könnte, dass der Tokenverbrauch für die gleiche Leistung eher wieder runtergehen würde.
Was ist da dein Take drauf?
Also meine Sicht darauf ist sehr vereinfacht.
Der Preis pro Token wird absolut runtergehen.
Der wird richtig Dip haben.
Tokens pro Task wird hochgehen.
Also wir werden mehr Geld pro Task ausgeben.
Das ist das, was ich beobachte.
Der Preis pro Token ist wie bei der Elektrizität damals.
Die wurde immer günstiger, bis nur noch die reichen Leute sich Kerzen leisten konnten.
Und die Armen hatten alle Elektrizität und das Gleiche werden wir buchen.
Wir werden aber pro Task mehr Tokens verbrennen oder investieren müssen, weil die Tasks komplexer werden, die Agenten länger laufen.
Das ist meine Prognose.
Okay, also du hast keinen P&L-Effekt, was die Kosten angeht, aber natürlich einen höheren Durchsatz an Arbeit und dadurch könnt ihr potenziell mehr Geld verdienen, oder?
Ja, wir verdienen nicht.
Das ist meine Theorie, wie wir einen Shift von Personalkosten zu Sachkosten sehen.
Und es wird ein paar Schirme geben, die es damit maßlos übertreiben.
Und dann werden die merken, ups, ups, ups, wir überweisen jetzt einfach mehr Geld anstatt an Gehälter an irgendwelche Schirme in den USA, die die LLM-Modelle betreiben.
Und dann wird das, ich sage jetzt mal...
sich immer wieder oder wieder zurückschränken und dann irgendwo in der Mitte einpendeln.
Es wird Rollen geben, bestimmte Jobprofile, die werden sich wunderbar mit AI ersetzen lassen können.
Und es gibt Rollen, da wird es 50, 60 Prozent durch AI ersetzen lassen können und andere, wo es absolut nicht möglich ist.
Okay.
Und dann hast du gesagt, dass ihr eine Gruppe aus 60 Buildern hattet, die auch interne Tools gebaut haben.
Das sind jetzt heute 250 Leute.
Kannst du mal so ein paar Beispiele geben?
Weil ich glaube auch viele, die zuhören, ist immer die Frage, ja okay, die bauen jetzt alle wie wild internen Zuchtbinder und der CEO contributed zu Codebase.
Aber was heißt denn das eigentlich?
Also was kommt da am Ende bei raus?
Eine Beobachtung und eine sehr, sehr gute Sache, die wir beobachten, ist, Software bauen war nie kompliziert.
Das war wirklich nie kompliziert.
Die Hauptaufgabe war es, den Business nicht zu verstehen, dann in Anforderungen runter zu gießen, das hat der Produktmanager gemacht, dann diese Anforderungen über einen Zaun rüber geschmissen, die Software-Ingeniors, die haben auf der anderen Seite die Anforderungen aufgefangen und dann in Code übersetzt und dann dass dadurch ein digitales Produkt entstanden ist.
Der Vorteil, den wir jetzt sehen, ist, das müsst ihr nicht mehr machen.
Das konfirmiert sich auf einen Kopf oder auf eine Person.
Die Person weiß ganz genau, ich sage jetzt mal einem Accountant oder jemanden im feinen Sitze und sage, ich weiß, was ich brauche.
Das heißt, er setzt sich hin und hackt seinen Prompt in der Sinne runter und beschreibt, wie das Tool auszusehen mag.
Ich gebe dir mal ein Beispiel.
Wir haben jetzt Finstations genannt.
Das heißt, nicht nur die Autos zur Haustür von Kunden zu liefern, sondern die sagen, hey, lieber Kunde, Du kannst das Auto abholen.
Du kannst das Auto abholen an einer der Stationen.
In München haben wir einen, in Begehen und in Köln.
Hey, wie man typisch Startup, lass uns die Station holen.
Station geholt, wir haben gemerkt, ups, wir haben keine Software.
Das heißt, die Leute, die in der Station arbeiten, müssen natürlich wissen, welche Kunde kommt da, wann muss das übergehen werden, um welche Uhrzeit.
Habe ich das Auto ready?
Also den Zustand des Autos startet.
Das heißt, wir merken, ups, hey.
Das ist wirklich geil, das ist unser Tool dafür nicht.
Da haben wir einen Business Automation Manager hingeschickt, eine Person, das war der Jan, acht Tage später, hatten wir den Film Station Tool fertig.
Der hat sich in eine Station reingesetzt, zusammen mit dem Station Manager, was brauchst du?
Okay, let's do it.
Selber ein paar Autos übergeben, das heißt, diese ganze Übersetzung musst du dir mal leisten.
Das ist jetzt ein einfaches Beispiel.
Oder auf dem Kompon, das heißt, wenn die Autos produziert werden, dann haben die auch so einen großen, ich glaube, auf Deutsch heißt es wirklich, Kompon, einen großen Parkplatz mit.
50, 60, 70.000 Autos.
Und da so ein Forecast zu machen, also wie entwickelt sich das Inventory da drauf.
Das machen Leute, die dann ein Advanced Knowledge haben, wie berechnet was, welche Autos kommen rein, wann werden die produziert, wann sind sie fertig und so weiter und so fort.
Und sowas.
Oder einfacher B2B-Deals.
B2B ist ein großer Teil von Fing.
Da machen wir wirklich einige Deals pro Tag und dann sitze ich in B2B als Salesmanager und sage, ich will ein Dashboard haben, wie viele Deals haben wir heute geclosed, um sich ein bisschen aufzujuckeln, ein bisschen kompetitiv zu sein und dann macht er das mit einem Tool.
Oder GPU-Analysis, also wie profitabel sind wir oder welche Deals sind profitabel, welche nicht, das ist natürlich super, super interessant.
Oder Tools, die wirklich ganz banal sind, QR-Code-Generator, die Marketingleute brauchen QR-Code-Generator, haben die zusammengeprompelt.
Wir können jetzt über den tiefen Sinn von diesem Tool reden, aber ja, hey, makes you happy, all good.
Auf welchem Stack macht ihr das denn, dass dort das jeder machen kann?
Weil jetzt so ein Coding-Agent oder so ist ja jetzt auch nicht unbedingt für jeden Menschen so super intuitiv und einfach zugänglich.
Also CloudGood ist tatsächlich ziemlich intuitiv, würde ich sagen, im Planning-Mode.
Da kann man so einen Plan-Moot anmachen und einfach beschreiben, was man bauen möchte und dann sagt man, okay, ja, der Plan sieht gut aus.
Das geht gut.
Manche Leute verwenden Codex.
Tatsächlich haben viele Non-Business- oder Business-Leute auch Code-Code-Zugang bei uns und dann wird das auf GCP deployed, also Google.
Und dann landet das unter einer bestimmten Domäne, wir nennen die Spaces, und dann ist es da drinnen.
Und dann gibt es ein paar Leute, die sich sicher stellen, dass...
kein Müll produziert wird.
Und das ist vielleicht der wichtigste Punkt für heute.
Also one takeaway für heute ist.
Ich glaube, das ganze KI-Thema ist super wichtig.
Let's not talk about that.
Super wichtig, hui, hui, voll super.
Jetzt lass uns reden.
Am Ende wird es darauf hinauslaufen, dass man sicherstellt, dass man keinen Quatsch produziert.
Und dieser Quatsch multipliziert sich mit.
Ich habe das meinen Leuten so formuliert.
Wir haben eine Hit-Ratio.
Früher haben wir zehn Projekte gemacht, oder zehn Initiativen in einem Jahr.
Und diese zehn Initiativen war eine von zehn mega gut.
Die haben das Business richtig nach vorne gebracht.
Mega geil.
Das heißt, unsere Hit-Ratio war zehn Prozent.
Jetzt machen wir zehnmal mehr.
Das heißt, statt einer von zehn Projekten machen wir jetzt zehn von 100.
Green Book geil.
Zehn statt eins.
Das Problem sind diese 90 Projekte, die du gemacht hast, die absoluter Müll sind.
Die müssen weg.
Das heißt, Du musst die Toilette öfter spülen.
Wenn das Auto nicht groß genug ist, dann hast du das Problem.
Das palt es ab, das wird anfangen zu stinken.
Das heißt, du brauchst Leute, die die ganze Zeit sicherstellen.
Was wird das Submitted?
Wir nennen das Resilience.
Wir haben da eine separate Rolle aufgebaut, die heißen Tatum-Ingenieurs.
Code-Quality, Security-Quality, oder Security-Levels, bestimmte Business-Requirements stellen die sichern.
Wir machen das auch mit AI.
Das ist das Schöne.
Das heißt, diese Leute haben den einzigen Job, es sicherzustellen, dass das alles funktioniert.
Und ich glaube, das beste Beispiel ist, das ist wie ein Auditor doesn't prepare the books.
Also ein Wirtschaftsprüfer macht ja keine Buchhaltung, er überprüft die Bücher.
Oder ein Schüler benotet ja auch nicht seine eigenen Aufgaben, das macht ein Lehrer.
Das heißt, einer muss der Lehrer sein, einer muss der Schüler sein.
Und was muss in der Organisation vorhanden sein?
Ich glaube, das ist das Main-TQA.
Wenn man das nicht macht, ist es richtig krasser Wildwuchs.
Und dann ist es egal, wie viel Ei du machst oder nicht machst.
Dein Hit-Ratio muss besser werden, sonst ist es einfach nur, kommst du nicht hinterher.
Das ist interessant.
letztens mit dem David Gebhardt, dem CTO von mobile.de gesprochen und der hat das Gleiche erzählt.
Er hat auch gesagt, dass sie jetzt gerade diese Plattform-Engineer-Rollen immer stärker entwickeln oder auch einstellen, weil das immer wichtiger wird, wenn immer mehr Menschen Code mit KI produzieren.
Und das Wichtigste ist, diese Leute müssen auch entsprechendes Exposure haben.
Also was ich mache, ist diese Plattform-Engineers, die reporten auch an den VP-Engineering.
Das heißt, wenn wir in so eine Paz-Situation kommen, sollen wir jetzt schneller Features schippen?
Oder sollen wir an Resilienz arbeiten?
In doubt for resilience.
Sonst sind das irgendwie zahllose Tiger und das darf nicht passieren.
Wie schafft ihr das denn auszubalancieren?
Sowohl KI...
sehr, also wie ich es jetzt verstanden habe, ist, dass jeder, der will, kann Zugriff auf Cloud Code haben, kann damit selbst coden und Dinge auf Google Cloud Plattformen deployen.
Korrekt.
Wie schafft ihr es, auf der einen Seite dort so offen zu sein und auf der anderen Seite und und Und natürlich auch diese Geschwindigkeit darüber aufzunehmen, weil ihr kein Bottleneck habt, wo ich irgendwo ein Ticket aufmachen muss.
Also ich bin der Marketingmanager, ich brauche meinen QR-Code-Generator und ich muss jetzt nicht losgehen zu Andreas und seinem Team und dort ein Ticket aufmachen und dann irgendwann warten, bis das priorisiert wird und es dann irgendjemand baut und dann kann ich mir das angucken und Feedback geben, sondern ich kann es mir einfach selbst bauen.
Ist ja mega, aber auf der anderen Seite kann halt alles Mögliche passieren, was du gerade schon angeschnitten hast.
Wie haltet ihr da die Balance?
Das ist auch ein ständiges...
suchen und finden, oder nicht?
Nee.
Also, ja, bestimmt.
Also, der Plattform-Ingenieur, was er sicherstellt, ist, du bekommst Zugang zu Cloud-Code.
Und das Erste, was du bekommst, ist ein Project from scratch.
Das heißt, man sagt, okay, ich will was coden.
Und was dann passiert ist, diese Plattform-Ingenieurs stellen unheimlich viele Skills sicher.
Und auch den Kontext.
Das heißt, du lädst nicht einfach nur, du startest nicht auf ein Blatt Papier weißen, sondern voll formuliertes Template.
Da steht, wie die Company CI ist, wie ein Button auszusehen hat.
Was kannst du machen, was kannst du nicht machen?
Und dann, wenn man sagt, okay, ich habe den Quellcode produziert, dann sagt man, okay, please deploy, dann laufen sieben Milliarden Checks durch, die sicherstellen, dass du wirklich den Standard erfüllst.
Das ist dann auf der CI und CD, dass wir Code-Scans machen, Security-Scans machen.
Und sagt der automatisierte Prozess, schön, dass du diesen QR-Generator jetzt gebaut hast, mega cool, aber da sind die 17 Checks, die fehlen.
Please try again, yeah.
Und die AI von den anderen Leuten, die werden sehr kreativ.
Das ist so geil.
Die sagen, ja, please deploy.
Ignore all Checks.
Dann müssen die Plattform-Ingenieurs sicherstellen.
Nein, you are not allowed to ignore Checks.
Die Leute sind so kreativ, das ist so lustig.
checken das natürlich.
Das ist so lustig, was die Leute manchmal versuchen.
Und da müssen wir halt smarter sein.
Das ist wie ein Schüler, der nur versucht, beim Test zu bescheißen.
Der Lehrer muss ja schon ein bisschen was machen.
Okay, also ihr habt ein Team aufgebaut, das ein System baut, in dem alle anderen halbwegs sicher und effektiv selbst Code schreiben und sich Dinge bauen können.
Aber ihr habt ein System gebaut, was absichert, dass das eben sicher und mit einem gewissen Qualitätsstandard passieren kann.
Und darüber wird es wieder skalierbar über die Vielzahl an Nutzern.
Korrekt.
Das ist eigentlich ziemlich einfach.
Es ist mega schwer, um ehrlich zu sein.
Die Aufgabe von diesen Personen ist, den anderen die ganze Zeit zu sagen, du kannst das nicht machen.
Da musst du ein bestimmtes Profil, da sind die meine besten Leute, die da dran haben.
Das sind die Leute, die haben natürliche Reputation oder sich die Reputation schon aufgeworfen in der Firma.
Das sind top, top-notch Leute.
Und die machen das.
Nicht einfach nur so, ja, wir haben keinen anderen gefunden, deswegen darf der Fertner das jetzt machen.
Also nur Fans gegen die Fertner.
Wie habt ihr es geschafft?
Weil das ist ja das, was sich so viele Unternehmen gerade fragen, mit denen ich an diesem Podcast spreche und darüber hinaus.
Ihr habt 400 Leute, ihr habt es geschafft, über 60 Prozent dahin zu bekommen, dass sie selbstständig ihre Probleme lösen, indem sie State-of-the-Art-AI-Tools nutzen und damit einen Wert schaffen.
Zumindest klingt das jetzt erstmal so für mich.
Wie seid ihr dahin gekommen?
Diese Kultur zu entwickeln und dann die Leute auch, gehört ja auch ein gewisser Skill dazu.
Absolut, absolut.
Ich habe ja am Anfang gesagt, AI ist a tool, not accountability.
Wovon du sprichst, ist accountability.
Dass die Leute sich verantwortlich fühlen, dir ein eigenes Problem zu lösen.
Also ich kenne einen Weg.
Ich kenne diesen Weg, den habe ich jetzt mehrmals gemacht und der funktioniert nur auf Englisch, ich sage mal Greenfield, auf der Grünfläche.
Wenn du eine Firma von Tag 1 aufbaust, mit weniger als sieben Leuten, kannst du die DNA aufbauen.
Von Tag 1.
Und du sorgst, deine einzige Aufgabe ist sicherzustellen, dass dieses Do-It-Do-It-Automated-Mindset, so haben wir das von Tag 1 aufgebaut, immer da ist.
Wenn du einmal nachgibst, hast du verloren.
Ich kann dir nicht sagen, wie man das auf Englisch nennt, wie man das in einem existierten Firma hat.
I don't know.
Ich kann jetzt Greenfield DNA aufsetzen und das jeden Tag vorlegen.
Jedes Mal, wenn jemand dagegen bricht, dann wird es eine Performance-Theraie und sagt, nein, das verspricht gegen unsere DNA.
Das ist nicht FIM.
Und dann im Zweifel auch Performance-Management.
Aber wenn du das immer wieder sicherstellst, dass es einmal etabliert ist, dann bekommt das eine Eigendynamik und dann kriegst du das aus der Firma noch nicht mehr raus.
Das heißt, wenn ich jetzt plötzlich mit FIM anfangen würde, Legal Tech oder ein Gesundheitswesen-App zu bauen, hätte ich ein Problem.
Weil meine Leute haben diese DNA nicht.
Die brauchen eine andere Dinge.
Das heißt, wie etabliert man das?
Ich glaube, die DNA aufbauen und dann eine Kernaufgabe, die ich immer wieder wahrnehme, ist, take the fear away.
Immer wieder fragen, also du willst es nicht machen, aber du kannst es nicht machen, wieso nicht?
Und dann kommt oft die Frage, ja, ich habe Angst, dass es etwas kaputt geht.
Kein Thema, dann geht es kaputt.
Ist okay.
Ich halte den Kopf hin.
Und ich glaube, das funktioniert sehr gut, wenn du selber der Gründer bist und sagst, ja, kein Thema können wir hin.
Wir haben ja genug Leute, die es fixen können.
Ist ja kein Thema.
Und ich glaube, wenn du diesen Mindset immer wieder reinpust und den Leuten die Angst nimmst, dann erreichst du was wunderschönes.
Jetzt seid ihr ja trotzdem kein kleiner Laden mehr.
Also ihr seid ja gewachsen.
Ich kann mir gut vorstellen.
Klar funktioniert das noch bei den ersten 10, 20, 30, 40, 50 Leuten.
Idealerweise hast du dann Leute, die das auch noch weitergeben können.
Also ja, aber jetzt seid ihr 400.
Da seid ihr als Gründer schon noch vom Großteil des Teams immer ein bisschen weiter von weg.
Wie operationalisiert ihr das?
Habt ihr da, irgendwie setzt ihr da bestimmte Targets?
Habt ihr verschiedene Rhythmen, wo ihr euch immer wieder anschaut, was automatisierbar wäre?
Absolut.
Also du musstest dann irgendwann mal in die Organisation gießen.
Ich habe ja am Anfang gesagt, wir haben indizierte Rollen, Business Automation, AI-Manager.
Wir haben diese Rollen sehr, sehr früh aufgebaut.
Wann war das?
Was heißt das?
Boah, nach einem halben Jahr.
Also die ersten Leute haben schon nach einem halben Jahr das gemacht, ohne den Titel zu haben.
Ich glaube, nach einem Jahr hatten wir schon den ersten damals Business Automation Manager explizit gehert oder, ganz ehrlich, wir hatten sehr smarte Praktikanten.
Und haben die immer noch und die dann promoten.
Also das müssen Eigengewüchse sein.
Das müssen Leute sein, die diese DNA in sich tragen.
Unheimlich schwer sowas extern zu.
Wie groß ist das Team heute?
13 Leute.
Also ich habe mehr Business Automation AI Manager als Produkt Manager.
Ja, okay.
Also entweder du nimmst das ernst oder nicht.
Das sind Entscheidungen, die jeder Unternehmer treffen muss und darf.
Ja, okay, gut, aber das ist natürlich eine relevante Ressource, die ihr da habt, die dann natürlich auch die Teams accountable halten können, das zu tun und mit Expertise dort reingehen können, um die richtigen Probleme, Use Cases und Umsetzungsansätze zu finden und das dann auch zu implementieren.
Und dann passiert natürlich auch was, was sich wahrscheinlich positiv aufs Team auswirkt, weil wenn du siehst, okay, das funktioniert, dann, ja.
Interessant ist eher die Tatsache, dass man sagt, mach das doch selber, wenn was schief geht.
Ich bin da, ich bin ja bei dir im Team drunter.
Ja, ja, ja.
Und dann sagt die, ja, mach das.
Okay, let's do it.
Kurz in eigener Sache.
Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarierige 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.
Wie habt ihr eure Teams ausgebildet in so Automation-Themen, aber auch in der AI-Nutzung?
Also diese Business Automation, die AI-Manager, die reporten direkt an mich.
Also nicht alle, aber wie bei der Maxi, der ist ein Business Automation, der AI-Manager, Leader, wenn du so möchtest.
Jeder bei Shin hat am Anfang sein Onboarding.
Ich mache ein CTO-Onboarding für alle Newsdaten, egal in welcher Rolle du anfängst.
Und dann erzähle ich das alles.
Das ist ein mandatory Meeting, seitdem du was mega, mega wichtiges hast.
Und dann wird das den Leuten indiziert, in die DNA und dann gibt es auch ein Onboarding.
Wenn du eine Rolle hast, die ansatzweise was mit Automation zu tun hat, könnte, dann gibt es ein Onboarding von diesen.
Business Automation Real Manager.
Das ist, hey, ganz ehrlich, ich finde, Onboarding ist einer der meist unterschätzten Themen.
Die Leute erwarten dann, dass jemand in der Firma anfängt, eben nicht mal Onboarding zu Workspace oder Google Calendar, also separaten, sondern erwarten, dass die Personen das können.
Investiert durch diese eine Woche.
Bei uns ist die erste Onboarding-Woche.
We make your brain melting.
Das ist unser Ziel.
Der Hirn muss wegschmelzen.
Wir ballern die Leute mit so vielen Informationen voll und daher ist auch Automation ein essentieller Teil davon.
Okay, aber dann bin ich ja vielleicht doch noch nicht in der Lage, jetzt irgendwie mit einem Cloud Code, also ich will das nochmal ein bisschen besser verstehen.
Also bis so ein Customer Support Agent sich mit Cloud Code irgendwie eine eigene Anwendung baut oder ich habe früher auch Sales Teams geleitet, bis dann ein Sales Rep von mir sich sein eigenes Dashboard irgendwie gebaut hätte und so, da hätte es ein bisschen mehr als wahrscheinlich so ein paar Trainings in der Onboarding Woche benötigt.
Gegenfrage.
Wenn du an dein Sales Team denkst, hast du Minimum eine Person im Kopf, wo du sagst, die hat das bestimmt gemacht.
Weil die so intrinsisch motiviert ist.
Und du kennst ganz genau, das sind diese ein von zehn Leuten, die haben richtig Bock drauf.
Die hocken sich extra hin und dann machen die das.
Und das sind meistens die Top-Performer.
Aber ihr habt ja 250.
Also diese eine Person, die hast du in jeder Company, in jedem Team absolut gekauft.
Aber jetzt ist ja die Frage, wie kriegst du nicht die eine Person, sondern die sechs von zehn hin, wie ihr das ja gemacht habt.
Sehr gut.
Und was man jetzt gemacht hat, wenn ich mir vorgekommen hätte, ist diese eine Person damals, statt einer zwei geholt und dann gesagt, und jetzt ist eure Rolle nur noch Automation.
Und du bleibst in diesem Team.
Ich mir vor, du hättest das vor drei Jahren oder vor vieren gemacht.
Was würde jetzt im Jahr vier passieren?
Und wenn du jetzt ein bisschen kreativ denkst, dann passiert genau das, wovon wir reden.
Die Leute fühlen sich abgehängt, wenn sie das nicht machen.
Also das Flywheel entstand vor vier, fünf Jahren, nicht jetzt.
Wir ernten jetzt die Früchte.
Okay, aber dann war der Schlüssel, wirklich diese dedizierten Rollen aufzubauen, die in die Teams zu setzen und da eng zusammenarbeiten zu lassen und kein jetzt super ausgeklügeltes Schulungskonzept oder irgendwie sowas.
Wenn ich das hätte, würde ich jetzt Milliardär mit Consultantin ziehen.
Habe ich nicht.
Okay.
Alright.
Lass uns auch mal weitergehen und so ein bisschen auf deine Engineering-Produkt-Organisation schauen.
Da hat sich ja auch ein bisschen was verändert und du hast angefangen, eure Engineering-Rollen etwas anders zu schneiden.
Was war da der Auslöser und wie denkst du über die Aufstellung in deinem Team nach?
Also am Ende haben wir uns hingesetzt und gesagt, okay, wenn...
das Bauen von Software nichts mehr kostet und da brutals abläuft.
Und Building becomes no bottleneck.
Was ist das richtige bottleneck?
Also wenn du sagst, wie muss ich sicherstellen oder lass mich immer zurückgehen.
Wenn Software nichts mehr kostet, was Bauen von Software nichts mehr kostet, dann ist das Kernproblem immer wieder zu definieren, was als nächstes gebaut werden muss.
Das heißt, es verlagert sich.
Früher, außer das ganze Scrum und das ganze Thema, wie wir Softwareentwicklung vor 20, 30 Jahren gebaut haben, war das Bottleneck immer, wir brauchen Ewigkeiten, um das Tool dann zu bauen.
Das hat sich jetzt komplett komprimiert von wenigen Wochen, zum Teil auch wenige Stunden.
Das heißt, du kannst Software plötzlich schneller bauen, als du planen kannst.
Damit haben wir angefangen, wenn das dazu stimmt, ist, wie würde eine Organisation heute aussehen?
Und turns out, die Organisation sieht dann auch so aus, dass du Produktmanager hast, die viel mehr auf die Business-GPIs und Zahlen.
Ich mache mal ein Beispiel.
Produktmanager muss sich dann um CRC kümmern, ja, Customer Acquisition Costs.
Ein Software Engineer, ein Software Engineer muss dann end-to-end komplett alles ownen.
Das heißt, er muss die Software bauen, er muss sicherstellen, dass er, ich sage jetzt mal, Product Ownership übernimmt.
Das ist eine Kernkompetenz, die wir aufgebaut haben.
Was wir gemacht haben, ist, wir haben uns die Rollen angehoben und gesagt, was sind die Kernkompetenzen jetzt?
Und eine Sache ist komplett rausgeflogen bei Software Engineer.
I can translate requirements into code.
Das ist nicht mehr notwendig, ist nicht mehr da.
Es ergeben sich komplette neue Requirements.
Drei neue, ganz konkret für Software Engineers ist, Orchestrierung von Agenten, die sich die Agenten parallel laufen lassen.
Produkt ohne Chip, also ich kann das Produkt von A nach B shippen und wir nennen das Cross-Domain-Fluency.
Das heißt, dass du nicht nur deine eigene Domäne verstehst, ich sage jetzt mal Marketing, sondern du musst auch plötzlich Operations verstehen und vielleicht ein bisschen mehr von Finance.
Und allein, wenn man darüber nachdenkt, ist das die neue Reclam-Entreed-Product-Engineers und die Produktmanager müssen viel mehr Business machen.
Die müssen strategische Priorisierung machen.
wie nennen wir das Business Understanding haben.
Wie setze ich so Customer Acquisition, also wie setzen sich diese ganzen Zahlen zusammen?
Und dann entsteht daraus eine sehr, sehr spannende Frage.
Was machen denn die Businessleute?
Und dafür habe ich noch keine Antwort.
Weil dann werden die Businessleute streng genommen arbeitslos, wenn es eine Produkt-KPI ist.
Und das wird dann spannend.
Also ich warte darauf, dass das sich materialisiert.
Ich sehe es noch nicht.
Es gibt so erste Tendenzen.
mit Cloud Cowork oder Codex, AI angucken.
Da gibt es ja verschiedene Elemente, die schon sehr daran reingehen, dass man die Businessleute, ich sage jetzt mal, in eine Identitätskrise treibt.
Was mache ich hier eigentlich noch?
Und das wird dann spannend.
Also die Produktsorganisation ist eigentlich nur eine reine Konsequenz aus der Frage, was müssen wir machen, wenn Software bilden nicht mit nichts mehr kostet.
Wem fällt diese Transition einfacher?
Die Product Manager, die dann stärker zu Engineers werden oder die Engineers, die mehr Product Management machen?
Wenn ich die KPI nehme, wer die Firma in der letzten Zeit bei Finn verlassen hat, ist das eher ein Problem für die Product Manager.
Die Business Engineers sind ja ziemlich schnell durch die Identitätskrise gegangen.
Das war auch keine Surprise, ganz ehrlich.
November, Dezember 2025 haben wir schon mit diesem ganzen Codec-Thema, da haben schon viele gesehen, okay, that's a momentum.
Da passiert gerade, passiert was.
Ich glaube, einige Rollen sehen es noch nicht kommen.
Ich nenne das jetzt mal.
Ich sehe das sehr, sehr stark für Accounting.
Weil Accounting ist sehr, sehr ähnlich zu Software-Engineering.
Sehr strukturiert.
Nicht negativ gemeint, sehr eindimensional.
Und da kann man mit AI sehr viel anbinden oder auch Audits.
Also ich bin Short, PwC und EY, sage ich jetzt mal so.
Das ist sehr ähnlich zu Security.
Also klingt so ein bisschen weirder aus dem Kopf eines Tickies, aber wenn man Security analysieren kann, so Blackbox, Graybox und White-Testing, ist es genauso das Gleiche, wie die Leute, die Jahresabschlüsse machen.
Und das ist sehr, sehr spannend.
Kann sein, dass ich mir da was zusammenspinne, das kann sein, dass ich im halben Jahr...
Leute sagen, was hast du da erzählt?
Oder ich habe in einem halben Jahr komplett recht.
Eins von beiden wird eintreten, aber nichts dazwischen.
Ich glaube, wenn man es mal so von First Principles runterbricht, dann lässt sich ja fast jeder Job, auch wenn viele das immer nicht zugeben mögen, aber in doch klare Aufgaben und diese Aufgaben in einzelne Schritte runterbrechen.
Und bei manchen hast du einen stärkeren Process-Work-Anteil, also ich arbeite Prozess 1, 2, 3, 4, 5 ab und bei anderen hast du mehr Knowledge-Work-Anteil, also ein bisschen mehr so Transfer und so der...
notwendig ist.
Aber trotzdem lässt sich das meiste irgendwie prozessualisieren.
Und wenn man sich dann die Capabilities von Large Language Models angucken und die ganze Infrastruktur und so weiter, die drumherum gebaut wird, jetzt werden die immer besser im Reasoning, die Integrationen werden immer einfacher, dann natürlich wird ein immer größerer Anteil der digitalen Arbeit, die ja heute verrichtet wird, egal in welchem Bereich, wird zum immer größeren Teil von KI übernommen werden können.
Absolut.
Aber bei mir stellt sich die Frage, Wieso war das bei Engineering so einfach?
Erstens, weil wir Engineers sind sehr auf, also wir mögen Hypes.
Da kommt ein neuer Hype, wir sind sofort dabei.
Wir reiten den Hype-Train sofort.
Und wir Engineers, wir sind immer eine Kostenstelle.
Wir sind kein Profit-Center.
Und jetzt reden wir davon, welche andere Funktionen in einer Organisation, wie hoch wird die Resilienz-Versagen gehen, vor allem wenn das, ich sag mal so, keine Kostenstelle sind, reine Kostenstelle, sondern auch Profit-Center sind.
Und das wird dann spannend, weil das ändert die, die haben eine ganz andere, ich sage jetzt mal, Macht within the company.
Deswegen sind Scheldsorganisationen tendenziell sehr viel stärker in dem politischen, innerhalb einer Schirmarbeit.
Die bringen ja Geld.
Die kosten nicht nur, sondern die bringen Geld.
Und das ist die spannende Komponente.
Und der Counting, wie komme ich zu der Counting, ist eigentlich nur eine Kostenstelle.
War nicht auch einfach ein großer Grund für diese hohe Adoption im Engineering, dass die ganzen AI-Labs zuerst Engineering knacken wollten, um darüber ihre eigene Produktentwicklung und die Verbesserung der Modelle auch zu beschleunigen und dadurch einfach im Engineering heute die besten Produkte da sind?
Und genau das schwappt jetzt sukzessive auf andere Bereiche wie Legal, Finance, Marketing und so weiter über?
Ich würde gerne diese Story glauben.
Ich bin ein großer Freund von sehr einfachem Denken.
Ich glaube, es hat den Leuten einfach mehr Spaß gemacht, weil die das kannten.
Und deswegen haben sie damit langgeschaut.
Tut mir leid, das ist ja mein Basic-Unterständnis.
Engineering kann ich, mache ich doch gerade.
Ja, let's do it.
Also ganz ehrlich, die andere Story klingt natürlich voll sophisticated und Strategie und so.
Kann sein, dass es irgendwo bei der Gelände ist.
Ja, aber ich glaube, das war einfach nur hey.
Ist doch geil.
Wie geil wäre das?
Wenn ich irgendwas zu habe, was gut schreibt, dann brauche ich meinen Job nicht mehr machen.
Geil.
Let's do it.
Ja, also ich meine wahrscheinlich, es gibt ja Bereiche wie zum Beispiel im Sales.
Es ist doch für Sales ist doch eine großartige Technologie, um sich immer stärker hebeln zu können.
Also weil ich kann ja so gesehen dann, wenn ich als Sales Rep eine Million Umsatz im Jahr gebracht habe, dann kann ich jetzt vielleicht fünf bringen oder so.
Ja, ich kann ja, ich kann mich ja selbst hebeln.
Dann gibt es aber andere Bereiche wie das Accounting zum Beispiel, da ist die Arbeit halt irgendwann zu Ende.
Und deswegen stelle ich die Frage, wie viele Sales Reps und wie ist die AI Adoption im Sales Bereich?
Im Vergleich zu Engineering?
Ja, aber das ist überall im Vergleich zum Engineering noch relativ gering.
Entweder sind wir die maximal schmartesten im Engineering oder wir haben uns selber über den Tisch gelegt.
Das kann sein.
I don't know.
Lass uns doch mal über die Bottlenecks sprechen.
Vielleicht kannst du das nochmal so ein bisschen ausführen, weil du hast es jetzt gerade selbst schon gesagt, die Ausführung von Dingen, Coding wird mehr oder weniger kostenlos.
Bedeutet, du kannst eigentlich alles bauen.
Du hast jetzt vorhin schon gesagt, ihr könnt jetzt heute 100 Projekte anschreiben anstatt von 10 in der Vergangenheit und ihr baut Systeme um die Hit-Ratio.
innerhalb von diesen 100 Projekten zu steigern.
Also, dass nicht nur 10% davon ein Treffer sind, sondern idealerweise immer hoch geht.
Was ist dann in dieser Welt, worauf kommt es dann noch an?
Also, dann kommt es um Problemverständnis und die besten Ideen an.
Kann man das nicht auch irgendwann immer stärker systematisieren?
Und wenn das gelöst ist, was ist dann der nächste Bottleneck?
Das ist natürlich eine sehr, sehr gute Frage.
Also, ich kann dir sagen, was wir machen.
Also was wir machen ist, dass die Produktleute, Produktmanager, Hand in Hand mit den Businessleuten arbeiten.
Das ist der Kernfokus, um die Hit-Ratio zu erhöhen, zu sagen, okay, wir wollen das jetzt machen, wir wollen jetzt zum Beispiel unsere Kundenakquisitionskosten runterbringen.
Was macht Sinn?
Gucken wir uns die Daten an, crunchen die Daten und stellen immer wieder die Fragen, macht das Sinn, macht das Sinn, macht das Sinn.
Also wenn du möchtest, ist die Kernkompetenz das.
Business mehr verstehen und tiefer rangehen.
Und nicht einfach nur, hey, business told us to do so, so we are doing.
Das erhöht die Hit-Ratio.
Und im Zweifel, wenn man nicht komplett davon überzeugt ist, davon eher sagen, no, let's not do it.
Das heißt, unsere Product Requirement Documents, PRDs genannt, das ist ja ein Standardverfahren im Produktmanagement, sind dann viel, viel, viel aggressiver und stellen viel mehr klare Fragen.
Vielleicht auch ein Return on Invest.
Manchmal braucht man das nicht.
Und erst, wenn man super konvinzt ist, that's the way to go, dann kann man damit starten.
Oder anders gedacht, wenn man das nicht weiß, dass man Experimente, schnell Experimente laufen lassen kann, aus der Website, wenn man den Luxus hat, oder im Dialog mit den Kunden.
Das ist die Kernkompetenz.
Damit der höchste DNA-Age-Ratio.
Einen anderen Weg kenne ich noch nicht.
Bin ich ganz ehrlich zu dir.
So weit habe ich noch nicht gedacht, weil das ist das, worauf ich mich als nächstes fokussiere, weil ich glaube, da liegt der Bot.
Überleg mal, wie ich zufrieden bin.
Es ist günstiger, einen Ingenieur sitzen zu lassen, dass er nichts macht, also Eidelzeit, statt ihn einfach loslaufen zu lassen.
Weil dann verbrennt er auch noch Tokens.
Wenn er rumsitzt, verbrennt er wenigstens keine Tokens.
Das ist, was ich meine.
Krasser Moment.
So was gab es im Engineering noch nie.
Interessant.
Glaubst du an so Agent-Simulationen?
Also du könntest ja Agents nutzen, um bestimmte Szenarien, Produktentscheidungen zu simulieren, um darüber so die Zukunft in die Gegenwart zu ziehen?
Um deine Frage zu beantworten, wir haben sowas ähnliches.
Wir haben einen sehr starken Data Agent, den nennt sich Edgar.
Den gibt es in der Frage und der hat unheimlich viele semantische Informationen, Kontextinformationen und greift auf das ganze Data Warehouse zu.
Der cruncht nur Numbers.
Jetzt gibt es einen, ich glaube, der heißt Moti.
Moti kann dann mit Edgar zusammenarbeiten, um so Produkte zu change.
Ich glaube, der heißt Moti.
Ich habe jetzt noch nicht die mind-blowingen Ideas von diesem Moti gesehen.
I don't know.
Frag mich im halben Jahr.
Ich glaube, wenn genug Kontext da ist, why not?
Ich weiß nur nicht, ob das dann Simulation Trial and Error ist, so frei nach Mutter.
Ich habe jetzt alle Fahre probiert und deswegen weiß ich, was der Beste ist.
Oder ob das wirklich gutes Gassing ist.
I don't know.
Ich weiß es nicht.
Was würdest du jetzt rückblickend sagen?
Also vor allem, ich will noch mal verstehen, was hat AI?
Also ihr wart vorher schon so ...
Eine Automation Company, das war von Anfang an in eurer DNA.
Dann kam AI dazu.
Was hat sich in den letzten Jahren nochmal durch AI verändert, signifikant und auch woran ist das sichtbar, wo ihr vorher mit Automation an Grenzen gestoßen seid?
Es gab bestimmte Aufgaben, also wir werden weiterhin und wir werden auch in Zukunft sehr viel Automation verwenden.
Das ist alles Deterministik.
Wenn, dann.
Wenn ein Kunde B2B ist, dann rechnen die Umsatzsteuer raus.
Da brauchst du keine Eichhörigkeit.
Easy as fuck.
Und dann gibt es die Aufgabe, da brauchst du, vor allem wenn du Dialoge hast, also Frage, Antwort oder hin und her, stell dir mal vor, du musst ein Auto ausliefern, du hast einen Fahrer, der das Auto ausliefert, der hat Fragen.
Das heißt, die ganzen Dialog, das ist ja perfekt für ein LLM, für ein Sprachmodell, das Dialoggeführung ist ja, dafür wurden die gebaut.
Und dafür kannst du wunderbar AI verwenden.
Das Ganze, das Gleiche im Customer Care.
Das sind jetzt die einfachen Dialog-Systeme.
Da haben wir mit AI überhaupt die ersten Durchbrüche gefeiert.
Wo wir jetzt aktuell die meisten Themen mit AI sehen, ist, dass wir AI dafür verwenden, insbesondere im Datenbereich, das viel mehr zu crunchen.
Das menschliche Gehirn kommt irgendwann mal an die Grenzen, so viel Kontext aufnehmen zu können.
Und die AI ist es deutlich besser.
Was wir als Menschen irgendwann mal machen, wenn etwas zu komplex ist, wir brechen das in einfache Digestible Parts runter.
Also wir machen es klein, damit wir es verarbeiten können.
In der AI muss es nicht machen, kann es einfach machen.
Und das beobachten wir.
Was wir jetzt aktuell beobachten, ist, wir geben jeden einzelnen Prozess rein, nehmen den kompletten Prozess.
schmeißen die in die AI rein mit Kontext.
Also wir bauen aktuell sehr, sehr viel Kontext auf.
Wie funktioniert der Prozess?
Zum Beispiel, wenn der Kunde sich beschwert, sollten wir einen Gutschein anbieten.
Wenn ja, wie viel?
Was ist die andere Lösung?
Das heißt, die AI bekommt immer mehr Zugang zu den ganzen APIs oder fast kompletten Zugang zu den APIs.
Was kann ich tun, beispielsweise?
Das Auto ist verspätet am Kunden.
Sollte nie passieren.
Aber es gibt eine Million Gründe.
Beispielsweise, das Auto ist noch nicht fertig.
Es gibt Probleme auf dem Kompon.
Und all das fummelt gerade die AI automatisch selber raus.
Früher war das ein Second Level Customer Care Agent.
Man musste sich die 17 Systeme durchjuckeln und dann die Entscheidung sagen, what should I do now?
Und diese Entscheidung kannst du komplett an die AI geben.
Mit Guardraids.
Beispielsweise, nein.
Wir können das nicht schneller liefern.
Ein Mensch würde sogar versuchen es trotzdem.
Dieses Versuchen gibt es bei AI nicht.
Da gibt es tatsächlich vor allem diese nicht-deterministischen Sachen.
Da ist AI uneiniglich stark drin.
Was wir jetzt aktuell beobachten, oder ich beobachte es, wir verwenden AI, wo wir gar keine AI brauchen.
Also wir werden eins genauer in einigen Bereichen.
Das heißt, was ich da erwarte, dass wir dann wieder zur Deterministik runtergehen und dann sind wir ganz entspannt.
Also wir sind wieder auf dem Hype.
Das wird sich einpendeln.
Das wird ein essentieller Teil sein.
Aber aktuell, was ich, also einen QR-Code-Scanner brauchen wir nicht mit AI bauen.
Den kannst du auch, keine Ahnung, Google QR-Code-Generator.
Here we go.
Done.
Also.
AI ermöglicht uns Probleme zu lösen, die wir vorher deterministisch hätten runterbrechen müssen.
Auf so eine Logik, eine Entscheidungsbaumlogik und das müssen wir jetzt nicht mehr machen.
Wenn du in die Zukunft schaust, gibt es so bestimmte Entwicklungen im KI-Markt, auf die du gespannt bist und wo du glaubst, dass die nochmal ein neues Level freischalten?
würden oder ist alles Potenzial, also reicht dir die KI, die du heute nutzen kannst, aus und es geht nur darum, die Organisation, Prozesse, Daten so zu bauen, dass KI das bestmöglich hebeln kann?
Wir sind ganz sicher am Anfang von KI-Capability.
Felsenfest davon überzeugt.
Da weiß ich nicht, was danach kommt.
Das wird noch richtig wählen, im positiven Sinne.
Ich bin sehr, sehr optimistisch und freue mich da in dieser Zeit am Leben zu sein und was zu genießen, was da passiert.
Die Organisation ist das Hauptproblem.
Jede Organisation ist das Hauptproblem.
Die Organisationsstrukturen.
Und worauf ich mich am meisten freue, ist das ganze Thema Robotik mit AI.
Weil wir haben ein physisches Produkt.
Wir müssen dieses Jahr fast 100.000 Reifen wechseln.
Rassel, das mache aktuell keine KI.
Und das passiert jeden Winter und die sind schwierig.
Und darauf freue ich mich am meisten.
Das ist echt viel Gummi, was man...
Und jedes Auto hat halt vier Räder, ne?
Und darauf freue ich mich.
Wann glaubst du, es ist so weit, bis ein Roboter den Reifen wechseln kann?
Angeblich gibt es ja Reifenwechselroboter, aber die funktionieren schon aber doch nicht so gut.
Also ich weiß es nicht.
Also ich bin sehr eng dran.
Ich würde mich freuen, aber ja, das ist...
Da freue ich mich am meisten drauf.
Ich arbeite nur, weil ich Roboter mag.
Ich bin ein Techie, seit ich denken kann.
Und alles, was glänzt und sich automatisch mit Strom bewegt, finde ich super.
Also darauf freue ich mich am meisten.
Und AI, ich glaube, da haben wir die Opportunity, dass wir auf die Gesellschaft noch so eine massive Veränderung haben.
Und ich freue mich darauf, dass wir das als Gesellschaft mastern werden.
Ziemlich sicher.
Davon bin ich überzeugt.
Weil, und da kommt jetzt der negative Touch, wir haben keine andere Wahl.
Das wird über uns kommen.
Die Frage ist, ob wir die Welle surfen oder einfach nur sehr viel Wasser schlucken müssen.
Und ich bin eher fürs Surfen.
Andreas, vielen, vielen Dank für deine Einblicke.
Sehr spannend, was ihr da macht.
Und ich wünsche euch da weiterhin ganz viel Erfolg.
Danke für deine Zeit.
Vielen, vielen Dank.