# Scaling Agentic AI in Enterprise ERP Processes

**Podcast:** AI FIRST Podcast
**Published:** 2026-08-14

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute habe ich wieder einen total spannenden Gründer aus dem KI-Bereich hier im Gespräch, der sich seit vielen Jahren mit Agentic AI beschäftigt und eines der spannendsten Unternehmen gerade in dem Bereich in der DACH-Region aufbaut.
Und zwar geht es um BLP, ist ein Spin-off aus der ETH in Zürich, 2019 gegründet, auch mit Historie aus dem eigenen Familienunternehmen, beschäftigen sich mit der Überführung von Geschäftsprozessen in agentische Workflows, vor allem im Finance, Vertrieb und vielen anderen Bereichen mit viel komplexer Integration in ERP-Systeme.
Also genau...
Der Ort, wo heute ganz viel auch noch manuelle Arbeit abläuft, machen das für große Unternehmen wie BMW, Edeka, Roche und sehen da teilweise fünf- bis zehnfache Produktivitätsgewinne.
Wie das funktioniert, da...
Wird uns heute Tim Beck, der Gründer, hoffentlich aufklären.
Tim, ich freue mich total, dass du hier bist.
Wir haben uns einiges vorgenommen.
Wir wollen mal darüber sprechen, wo wir gerade mit agentischer KI stehen, wie man sowas im Unternehmen skaliert, wie funktioniert der Change, was brauche ich für eine Governance, um da Geschwindigkeit reinzubringen.
Alles Themen, die euch in den letzten Jahren viel begegnet sind.
Ich freue mich aufs Gespräch.
Ich freue mich, dass ich da sein darf.
Vielen Dank, Felix.
Tim, ihr habt ja angefangen, Agenten zu bauen.
Da hat noch keiner drüber gesprochen, wie heute.
Sehr, sehr viele das tun.
Wie kam es dazu?
Ja, das ist eine sehr gute Frage.
Als wir angefangen haben 2018, wir haben dann offiziell 2019 ausgegründet, war das ja ein Zwitter.
Zum einen kommen wir aus der Forschung aus der ETH Zürich im KI-Bereich raus.
Zum anderen haben wir uns aber ein Anwendungsfeld gesucht, wo wir wirklich...
Edge haben, wo wir ein bisschen was davon verstehen.
Und ich habe mit meinem Bruder gegründet zum Kontext und unsere Eltern haben vor 35 Jahren ein ERP-System in Süddeutschland gegründet und aufgebaut.
Das Unternehmen gibt es auch noch, ist inzwischen eine zweite Generation.
Unsere Schwester ist da mit drin inzwischen.
Und ja, wir haben damals gesagt, warum nicht mit KI ERP-Prozesse automatisieren und haben dann angefangen als Modellanbieter.
für Dokumentenextraktion, um relativ schnell rauszufinden, das gewinnt keinen Blumentopf, das hilft niemand.
Und dann immer weiter in die End-to-End-Lösung zu gehen.
Wir waren einfach sehr, ich würde sagen, obsessed auf das Produktproblem, auf das Kundenproblem.
Wie kriegen wir es hin, dass die KI wirklich von Anfang bis Ende automatisiert?
Damals gab es das Wort KI-Agenten nicht.
Wir haben das damals Microservices genannt.
Also kleine, autonome Softwarestücke, die mit KI im Kern ganze Prozesse ausführen können.
Und irgendwann kam dann Silicon Valley auf einen cleveren Namen dafür und hat das KI-Agenten genannt.
Und dann haben wir das rebrandet.
Aber im Kern ist das genau das Gleiche.
Ich habe Kontext, ich habe eine Anbindung an die Umwelt, ich habe eine Aufgabe und die möchte ich autonom ausführen.
Und das hat ein bisschen geholfen, dass wir da jetzt schon seit acht Jahren dran rumbasteln.
Seitdem sind ja auch ein paar Billionen Dollar Investitionen den Bach runtergelaufen, um die Modelle zu entwickeln, die heute unter der Haube von den meisten Agenten laufen.
Gab es ja damals in der Form noch nicht.
Was war...
die KI-Komponente, die ihr in eure Software-Bausteine gepackt habt?
Gut, auch damals gab es ja schon Machine Learning.
Ich meine, das Transformers-Paper kam 2017 von Google raus.
Einer der Mitautoren ist hier bei Google in Zürich.
Und was wir geschrieben haben, waren auch Transformer, einfach eben für Datenextraktion aus Dokumenten.
ChatGPT auf den Markt kam, haben wir eine Wette gemacht, dass Modellanbieter nicht das Richtige sein wird, dass wir da nicht konkurrieren können werden und haben uns entschieden, wir erweitern uns dahingehend, dass wir keine eigenen Modelle mehr anbieten, sondern alles auf, ich nenne das jetzt mal Commodity Models, also am Markt verfügbare Modelle, ob es jetzt Open Source ist oder Closed Source und dass wir eigentlich mit jedem Modell arbeiten können.
Und das Ganze drumherum machen.
Also die Plattformen sind, mit der End-to-End-Prozesse abgewickelt werden können, autonom.
Egal, welches Modell drunter hängt.
Aber die Technologie hat sich nicht verändert.
Und wenn du dir überlegst, warum die Welt so aufgewacht ist, warum plötzlich jeder KI cool findet, dann ist es immer die Applikation dessen, nicht das Modell.
Und ich habe mir in der Vorbereitung nochmal diesen Gartner Hype Cycle angeschaut.
Der letzte ist im September 2025 rausgekommen.
Also seitdem ist natürlich auch schon wieder viel passiert.
Der nächste kommt jetzt bald.
Damals waren AI-Agents auf dem absoluten Peak von den Inflated Expectations.
Und ich würde das gerne mal von dir eingeordnet bekommen.
Wenn du jetzt heute auf Agents blickst, was...
von dem, was da draußen so rumschwirrt, an Thesen und Cases und so weiter.
Es ist Quatsch, es ist einfach ein Hype.
Was ist echt und in welche Richtung bewegen wir uns jetzt gerade?
Wir müssen ein paar Dinge unterscheiden oder differenzieren hier.
Zum einen müssen wir nochmal sagen, okay, was ist denn eigentlich der Unterschied zwischen diesem ganzen Model versus Application Layer und der Erwartungshaltung da?
Auf der anderen Seite, hast du recht, wir haben einen riesen Marketing-Hype-Train.
Also es gibt ja keine Software mehr seit der SaaS-Pokalypse, die nicht sagt, sie ist auch KI-Nativ.
Ich glaube, das müssen wir sauber einordnen.
Und dann müssen wir einfach einordnen, was ist denn das Verständnis von Einzelpersonen, aber vor allem auch von Unternehmen, was kann diese neue Technologie.
Und das hat gar nicht so viel mit KI zu tun, sondern mit jeder Technologie.
Die kommt auf den Markt und dann muss man sich damit beschäftigen und dann muss man herausfinden, wo setzt man sich am besten ein.
Und dann geht es irgendwann in eine vernünftige technische Reife.
Und wenn du vom Gartner Hype Cycle sprichst...
Dann ist das ja auch so.
Am Anfang gibt es extreme Erwartungen an das Ganze.
Die kommen irgendwann auf den Peak.
Dann kommt man wieder runter und ist fast enttäuscht.
Bevor dann, weil die Technologie sich ein bisschen weiterentwickelt, aber auch das Verständnis von dem Ganzen sich weiterentwickelt, man in eine Richtung von vernünftigem Einsatz kommt.
Und ich glaube, bei KI geht alles einfach nur noch viel schneller.
Normalerweise dauert das alles Jahre, wenn nicht Jahrzehnte zum Teil.
Und bei KI ist es gefühlt, wir durchlaufen das Ganze halt in Monaten und es kommt immer noch mehr Bass obendrauf, es kommt immer noch mehr Marketing obendrauf und es ist ganz schwierig, von außen auch zu unterscheiden, was sind gute KI-Lösungen versus was sind nur Lösungen, die jetzt KI als, ich sag mal, Post-it obendrauf oder als schönen Anstrich bekommen haben.
Gleichzeitig haben wir noch das Thema, dass es viel einfacher ist, plötzlich Demos zu bauen.
Gleichzeitig hat sich ja noch die Welt weiterentwickelt, dahingehend, dass ich viel schneller coden kann.
Eine Demo zu entwickeln ist so einfach geworden, dass ich halt noch viel einfacher im Vertrieb über Dinge hinwegtäuschen kann, die erst dann in der Produktion aufkommen.
Das sind so die Themengebiete.
Und um eins nach dem anderen abzuarbeiten, lassen wir uns nochmal kurz reingehen, Modell versus Applikation.
Ich glaube, die Modelle, wenn wir jetzt vom Large Language Model Bereich sprechen, also von dem, wo die meisten Menschen jetzt auch mit KI zu tun haben, nicht von, wo steht eigentlich Robotics oder...
wo steht die Materialforschung, DNA-Forschung oder irgendwelche Krebserkennung, sondern einfach der Anwendungsbereich, was mache ich mit Large Language Models wie einem Chat-GPT in meinem Unternehmen oder privat.
Ich glaube, da ist die Reife der Modelle herausragend, heute schon.
Und wenn du dir anguckst, wie die Modelle dann eins nach dem anderen rauskommen, ich bin mir sicher, die sind besser geworden von einem Claude Opus auf ein also auf das neueste Opus oder auf ein anderes Modell.
Aber sehen wir diesen Sprung wirklich so stark?
Ich meine, nein.
Das war auch schon vor einem halben Jahr gut, das war auch schon vor einem Jahr gut.
Was sich stark verändert hat und was auch die Wahrnehmung von vielen Menschen ist, ist das Applikations-Layer.
Was kann ich jetzt damit machen?
Ich glaube, der größte Anlock war, dass man plötzlich nicht mehr nur mit den ...
KI-Modellen chatten konnte als Privatperson, sondern auf Dokumente zugreifen, Dinge verändern, im Internet suchen, Zugriff auf meine Dateien geben, all diese Dinge.
Das ist ja ein kleiner Bereich vom Applikationslayer.
Und jetzt, was wir sehen, ist mehr und mehr, dass halt Softwarefirmen, die schon Software geschrieben haben, KI einbauen in ihre Produkte.
Und am Anfang waren das nur irgendwelche Suchen- und Finden-Themen.
Und jetzt ist es aber mehr und mehr, dass halt wirklich, und die Welt titelt das als Agenten, wirklich autonome Prozessschritte gemacht werden können.
Und ich glaube, das werden wir mehr und mehr sehen von der Produktseite.
Also dass quasi Agenten jetzt nicht nur oder KI nicht mehr nur Antworten gibt oder das Large Language Model.
in einer Applikation nicht mehr nur eine Antwort gibt, basierend auf Informationen, die gefunden wurden, sondern jetzt Hände bekommen hat, um Aktionen ausführen zu können.
Korrekt.
Ich kann gleich gerne ein paar Produktbeispiele geben, wenn das hilfreich ist.
Also in unserem Beispiel geht es darum, ERP-Prozesse end-to-end zu verarbeiten.
Das kann jetzt im Einkauf sein, eine Bestellung anzulegen oder ein...
eine Auftragsbestätigung, die vom Lieferanten reinkommt, dann zu verstehen und gegen die Einkaufsbedingungen abzugleichen oder im Accounts Payable die komplette Rechnungsverarbeitung zu machen.
Einfach, dass ich da möglichst wenige Prozessschritte überhaupt noch vom Mensch anfassen lassen muss.
Und um den Bogen zurückzuschlagen, das war dieses Modell versus Application.
Das zweite ist dieses Verständnis von Menschen.
Und wir haben es ganz viel erlebt in den letzten zwei Jahren, dass große Unternehmen hingegangen sind und erst mal gesagt haben, wir bauen selbst.
Wir nehmen jetzt KI und wir gehen rein und bauen.
Und dann hat man hunderte Use Cases identifiziert und gefühlt auch genauso viele Piloten gestartet und hat auch überall erste Erfolge verbucht, weil es ist ja einfach geworden, mit KI schnell kleine Erfolge zu gewinnen.
Und dann kam jetzt mehr und mehr dieses Verständnis, okay, ein erster Erfolg ist cool, ist auch einfach, danach aber wirklich ein reifes Produkt daraus zu entwickeln und das dann auch zu betreiben, das ist gar nicht so einfach.
Weil da geht es ins Detail, da reichen die 80% nicht, da brauche ich wirklich, je nach Anwendungsfall bei uns sind es auditierte Prozesse, da reichen wir nicht mal 99%, ich brauche halt einfach 100%.
Und das ist dann mit viel Arbeit verbunden und aufwendig.
Und das Betreiben muss auch so gemacht sein, dass es kostengünstig ist.
Es hilft mir nichts, wenn ich plötzlich was mit KI mache, wo der Mensch weniger gekostet hat als dann die Maschine.
Da habe ich wenig gewonnen, außer ich möchte nur dem demografischen Wandel entgegnen.
Und ich glaube, wir sind an einer Stelle, wo dieses Verständnis langsam einkehrt.
Also wir merken extrem stark, dass Kunden auf uns zukommen.
oder Interessenten auf uns zukommen, die wissen ganz genau, was sie brauchen.
Die haben es nämlich selber schon gebaut und die wissen, wo sie jetzt scheitern oder wo sie denken, dass sie ihre Fähigkeiten lieber auf Fachgebiete verlagern, wo sie wirklich Edge haben.
Und nicht mehr von hunderten Use Cases, die potenziell selber machbar und umsetzbar sind, auch hundert machen, sondern die zehn, die sinnvoll sind für dieses Unternehmen und die anderen 90 einkaufen.
Und ich glaube, das konvertiert.
Und wenn ich mal eine gewagte These mache...
Ja, oder mach die These noch.
Wenn ich eine gewagte These anstellen darf noch, dann würde ich behaupten, 2027, also nächstes Jahr, wird kein Board mehr akzeptieren, KI-Piloten zu machen, Token Spend zu generieren, ohne echten Return on Investment.
Ich glaube, das Verständnis ist jetzt gut genug, dass man weiß, da kann auch was rauskommen, wenn man es richtig macht.
Und wir wissen jetzt, die Exploratory Phase geht zu Ende.
Jetzt möchten wir Umsetzung, jetzt möchten wir Bottomline Impact oder Topline Impact sehen.
Und zwar nachgewiesen und messbar.
Und ich glaube, da stehen wir und nächstes Jahr wird das noch viel stärker werden.
Ja, also genau.
Ich würde auch sagen, jetzt...
Gerade in den letzten Monaten habe ich da zumindest einen sehr starken Shift wahrgenommen, einfach auch, weil die Kosten stärker angestiegen sind.
Und wenn der ROI schon nicht da war mit, sagen wir mal, den günstigeren Modellen und Anwendungen und jetzt die Kosten hochgehen und der ROI immer noch nicht zu sehen ist, dann steigt da auf jeden Fall der Druck, genau den nachweisen zu können.
Sag nochmal bitte kurz, was ist...
Was sind die Punkte, an denen die Kunden erkennen, dass ihre Fähigkeiten nicht mehr ausreichen, um so einen Use Case intern zu skalieren oder intern umzusetzen und zu bauen?
Ich möchte mich da nicht falsch ausdrücken.
Ich glaube, jeder kann jedes Produkt mit KI inzwischen bauen und auch erfolgreich bekommen.
Ich glaube, die...
Die Frage ist nur Time to Value und zu welchem Kostenpunkt kann ich das operieren und mit welchem Risiko.
Also ich gehe jetzt kurz auf uns, weil ich kann das sehr gut beschreiben.
Nimm ein Accounts Payable Automation Produkt aus unserer Plattform.
Das heißt, die Lieferanten Eingangsrechnung end-to-end zu automatisieren bis hin zur Zahlung.
Also von der Rechnung kommt rein, bis ich habe sie verbucht und sie kann bezahlt werden.
Die Variantenanzahl von Lieferanteneingangsrechnungen geht in die Hunderte.
Das heißt, ich habe nicht einen Use Case, sondern ich habe heruntergebrochen etwa 160 Use Cases, die ich abhandeln muss mit sämtlichen Ausnahmen.
Eine Ausnahme kann so einfach sein wie, die Rechnungsnummer auf einem Dokument wird nicht gefunden, also ein reines Extraktionsproblem, bis hin zu Ausnahmen wie, Der Kontieragent schaut für dich, du hast in der Vergangenheit immer AWS-Rechnungen kontiert, Felix, schaut sich das an und stellt fest, Felix hat AWS-Rechnungen auf zwei Konten kontiert und ich kann nicht feststellen, warum und muss da einen Mensch involvieren.
Und beides ist nicht schwierig.
Für beides könntest du jetzt hingehen und Vibe-Coden, wie ein KI-End-to-End-System damit umgehen soll.
Für diese 160 Fälle musst du erst das Wissen aufbauen, dann musst du das System aufbauen, um das alles zu verwalten, dann darfst du nicht ausfallen oder in Urlaub gehen und dann musst du es auch noch so hinbekommen, dass es zu einem Kostenpunkt möglich ist, der deinem Unternehmen was bringt.
Und all das, stellen die Unternehmen, unsere Kunden fest, ist gar nicht so trivial und deshalb entscheiden sie sich, von Unternehmen wie uns zu kaufen.
Aber es hat weniger damit zu tun, dass sie nicht die Fähigkeit haben.
Ich glaube, heute hat fast jeder die Fähigkeit, das zu bauen.
Und es wird immer nur noch einfacher.
Es kommen jeden Tag Plattformen raus, die machen es einem noch einfacher, selber zu bauen.
Nur, wie lange dauert es?
Wie viel Risiko habe ich dabei?
Und wie kostengünstig kriege ich es wirklich hin?
Das sind die drei Fragen, wo sich die meisten entscheiden, lohnt es sich nicht für einen Accounts-Payable-Prozess?
Das mache ich mal lieber bei etwas, wo ich ein bisschen mehr Wissen habe und was mir in meinem Unternehmen und meinen eigenen Kunden was bringt.
Das ist der Unterschied.
Was ich auch oft erlebe, ist, dass wenn Einzelpersonen mit Agents arbeiten, also bestes Beispiel ist im Software Engineering, aber auch wenn sich sonst Einzelpersonen für ihre individuelle Produktivität Agenten aufsetzen, die dann bei verschiedensten Aufgaben unterstützen oder die...
nach einem bestimmten zeitlichen Event oder nach anderen Auslösern schon Sachen vorbereiten oder erledigen, dann erfahren die total schnell einen Produktivitätsgewinn.
Ich habe letztens noch mal in unserer Community gefragt und die haben gesagt, 100% mehr Produktivität, die sie selbst empfinden, seit sie mit Agents arbeiten.
Wenn man dann in allen möglichen Befragungen, Studien schaut, was davon in den Unternehmen ankommt, ist dieser Wert oft erstaunlich gering.
Also entweder nicht nachweisbar oder wirklich sehr gering auch im Verhältnis zu dem Investment.
Das ist ja eigentlich paradox, dass auf dieser...
Einzelpersonenebene oftmals sehr hohe Produktivität empfunden wird und wenn man da sagen würde, wir nehmen dir deinen KI-Agenten wieder weg, würde jeder sagen, um Gottes Willen, ich weiß gar nicht mehr, wie ich arbeiten soll, zumindest die, die mal gelernt haben, damit richtig zu arbeiten, aber irgendwie kann das nicht absorbiert werden in die Prozesse und in die gesamte Organisation.
Woran liegt das?
Es ist vielfältig.
Es gibt zwei Punkte, die mir jetzt sofort in den Sinn gekommen sind.
Und vielleicht kommt mir da noch was weiteres, aber die zwei sind, wir müssen mal kurz zurückgehen und uns überlegen, wo kommen eigentlich Prozesse her?
Weil wenn wir was versuchen zu automatisieren in Unternehmen mit KI-Technologie, dann sind es meistens Prozesse.
Es ist sehr selten heute schon Top-Line-Impact, es ist meistens Bottom-Line-Impact.
Also wie kann ich irgendwo Prozesse automatisieren oder teilautomatisieren, um Kosten zu reduzieren?
Das ist der Base Case.
Und wenn du dir überlegst, wo Prozesse herkommen, dann sind das zwei Aspekte.
Es ist Kontrolle und es ist Guidance.
Ich mache dir ein ganz einfaches Beispiel.
Als Startup hast du gar keine Prozesse und du fühlst dich extrem schnell.
Und dann stellst du Mitarbeiter ein und immer mehr Mitarbeiter und irgendwann hast du ein Vertriebszene und denkst dir, die geben ja ganz schön viel Geld aus für Reisen und Abendessen und sonstige Dinge.
Und jeder neue Mitarbeiter fragt mich, Was darf er denn?
Und dieses unternehmerische Denken...
Noch nie erlebt.
Noch nie erlebt, glaube ich dir.
Und dieses unternehmerische Denken, was am Anfang funktioniert hat, fängt an, lästig zu sein.
Also führst du einen Prozess ein, einen Spesenprozess, und sagst, zum einen gibt mir der die Kontrolle, dass ich das überwachen kann, zum anderen gibt der eine gewisse Guidance.
Und dieses Beispiel kannst du auf alle Unternehmensprozesse applizieren.
Prozesse geben Struktur, und Kontrolle.
Und wenn wir uns jetzt überlegen, wie Prozesse historisch aufgebaut sind und das ist kein Investment-Tipp, aber ich persönlich glaube auch deshalb an Unternehmen wie SAP, auch langfristig, weil die verwalten diese Prozesse.
Die speichern sie, die geben diese Abläufe vor.
Und wenn du jetzt aber überlegst, wie diese Prozesse historisch aufgebaut wurden, dann sind die halt nicht für KI ausgelegt.
Man braucht jetzt schon ein bisschen Mut und Voraussicht.
Kannst du das einmal erklären?
Ich glaube, das ist wichtig.
Warum sind die Prozesse nicht für KI ausgelegt?
Nehmen wir wieder unser typisches Rechnungsbeispiel.
Nehmen wir den Spesenprozess von gerade.
Idealerweise guckt doch jetzt der Manager nicht mehr über die Spesen drüber und guckt auch kein Buchhalter mehr über die Spesen drüber und kontiert die.
Sondern KI-Agenten erledigen genau diese Jobs.
sind genauso aufgesetzt.
Weil ich will ja weiterhin die Kontrolle haben.
Ja, hast du ja.
Also ein KI-Agent, der mit einer Auditierbarkeit den gleichen Job hinbekommt, gibt dir ja trotzdem die Kontrolle.
Das ist ja nicht so, dass nur weil du drauf guckst, das Unternehmen die Kontrolle hat.
Wenn jemand anderes, der deine Urlaubsvertretung ist, den gleichen Job machen kann, hat das Unternehmen ja immer noch die Kontrolle.
Und wenn das jetzt ersetzt werden kann von einem KI-System, dann geht die Kontrolle ja nicht weg, solange das KI-System 100% zuverlässig ist.
Ich glaube, das ist dann wahrscheinlich eher die Herausforderung.
Ich frage nur so, weil das ja oft der Einwand ist, es könnte ja ein Fehler passieren, der natürlich bei einem Menschen auch passieren kann.
Und deswegen muss dann nochmal ein Mensch involviert sein in diesem Prozess.
Zu einer Absurdität, ich kann dir da wirklich War Stories erzählen.
Wir haben einen temporären Schlusscheck, so heißt der.
Weil du kriegst keinen Buchhalter überzeugt, einfach jetzt ein KI-System vollautonom drauf loslaufen zu lassen.
Also haben wir immer, dass die Buchhaltung am Anfang das überwachen kann und das Gefühl bekommt, ich kann der KI vertrauen, haben wir einen sogenannten temporären Schlusscheck im Workflow, wo dann ein Buchhalter nochmal guckt, ob doch wirklich alles richtig ist.
Der heißt Felix.
temporärer Schlusscheck.
Was glaubst du, wo das Wort temporär herkommt?
Das soll schon den Menschen vermitteln, hey, den schalten wir dir irgendwann ab, der ist temporär.
Es ist immer ausgemacht, in jedem Projekt nach drei Monaten schauen wir auf die Statistik und dann schalten wir den ab, wenn da keine Änderungen mehr drin waren.
Jetzt haben wir zwei Themen and I'm not kidding you.
Das eine ist, wir haben gar keine Änderungen nach drei Monaten und die finden es trotzdem schwierig, den abzuschalten.
Das geht fast immer in eine Management-Eskalation, wo dann das Management das entscheidet.
Einfach weil dieses Kontrollgefühl abzugeben sehr schwierig ist.
Das andere ist, Menschen möchten was machen.
Und das stimmt jetzt nicht für alle User.
Aber wir haben User, wo wir in den Statistiken sehen, dass sie in einem temporären Schlusscheck Dinge löschen und wieder hinzufügen.
Und es ist nicht erklärbar.
Es ist nicht erklärbar.
Das ist das gleiche Ergebnis.
Du siehst in den Versionsverläufen Sachkonto 47.11 gelöscht, Sachkonto 47.11 hinzugefügt oder Nebenkosten oder lauter solche Dinge.
Und da kann man dann reingehen, weil man jetzt die Transparenz hat und man kann die damit konfrontieren.
Aber das ist ein Riesenaspekt.
Und nochmal den Bogen zurückzuschlagen auf diese Prozesse.
Die Prozesse vor KI.
sind sehr viele darauf ausgelegt, da eine doppelte, eine dreifache, eine siebenstufige Freigabe zu haben und irgendwo halt eine menschliche Entscheidung.
Und die sind noch nicht sauber genug auch dokumentiert, dass der Agent genug Kontext hätte, um jede Ausnahme eigenständig, autonom zu entscheiden.
Und das muss gemacht werden.
Da muss ich mit ein bisschen Mut rangehen und wirklich in die Zukunft blicken.
Und jeder, der da draußen rumläuft und sagt, die KI-Transformation ist bald vorbei und falls du noch nicht aufgesprungen bist, bist du zu spät.
Ich glaube, das ist ein bisschen sehr viel Marketing.
Ich bin bei denen, dass die KI-Transformation in vollem Gange ist und dass da Early Movers auch gewisse Vorteile haben.
Aber ich persönlich bin überzeugt, das begleitet uns mal noch mindestens fünf bis zehn Jahre.
Und wir müssen jeden Prozess angehen.
Wir müssen jeden Prozess neu denken.
Wir müssen implizites Wissen explizit machen, meistens in den Prozessen.
Das kann man gar nicht a priori machen.
Du kannst dich nicht hinsetzen und jede Ausnahme heute überlegen und dann irgendwo schon festlegen.
Das muss innerhalb des Prozesses passieren.
Und das alles ist der erste wesentliche Punkt.
Der zweite, warum die Effizienzen im Unternehmen nicht ankommen, ist der Mensch.
Ich habe gerade eine Studie gelesen, dass einer in drei aktiv KI-Projekte torpediert.
Und das ist Angst.
Das ist Sorge vor, was passiert mit mir, etc.
Und wir erleben, dass gut kommunizierte KI-Projekte viel besser funktionieren als schlecht kommunizierte.
Wir erleben natürlich, dass da Jobs abgebaut werden, aber die meisten in unseren Gefielden haben mit demografischem Wandel zu tun, haben damit zu tun, dass die Unternehmen sowieso anderweitig Arbeit brauchen, haben mit interner Verlagerung zu tun.
Du kriegst in Deutschland ja eigentlich gar keine Mitarbeiter abgebaut.
Das heißt, da gibt es ganz viele positive Effekte, die eigentlich passieren.
Aber wenn ich anfänglich schlecht kommuniziere, dann gibt es auch eine gewisse Hürde und das Change Management ist riesig im Vergleich zu die Technologie ist gelöst.
Und wir haben eine Academy eingeführt, die zum Ziel hat, Change zu ermöglichen und aus über 1300 Projekten zu berichten, wie man Change richtig macht.
Das hat nichts mehr oder wenig mit der Technologie zu tun.
Kannst du mal ein Beispiel geben, was war ein Projekt, wo der Change gut funktioniert hat und was haben die gemacht, um das zu ermöglichen?
Sehr großer Lebensmittelkonzern in der Schweiz.
Da ist das Management reingegangen und hat selber gesagt, ich mache Key-User.
Die haben davor noch jede Rechnung, die reinkam, oder nicht jede, aber viele Rechnungen, die reinkamen, haben die manuell zugewiesen, wo sie hingehen sollen.
Und haben gesagt, das kann man nicht automatisieren, das geht nicht mit KI.
Und da war genau das Thema, Das war so der erste Punkt in dem Projekt, wo es wirklich geknallt hat, mit Change.
Und dann hat der Verantwortliche wirklich in der Geschäftsführung gesagt, okay, dann komme ich selbst mit rein.
Hat kommuniziert, die Zukunft ist, dass wir alles mit KI machen wollen.
Und hat selber die Ownership übernommen, eine Lösung zu finden.
Und hat sich hingesetzt und hat, ich weiß nicht, wie viele hundert Cases sich angeguckt mit dem Team.
Und hat gesagt, schaut, das ist alles implizites Wissen.
Natürlich haben wir es nirgendwo dokumentiert, aufgeschrieben und ein Praktikant kann es, aber ihr könnt es und ihr konntet mir es jetzt alles erklären.
Und dann haben wir dieses implizite Wissen Schritt für Schritt halt heruntergebrochen auf Kontext, sodass dann das auch ging.
Und das hat einen riesen Unlock auch im Projektteam gemacht, weil die haben dann verstanden, okay, es geht, wir müssen nur...
das Wissen aus den Köpfen aufs Papier bekommen, blöd gesagt.
Und damit unlocken wir es und damit haben sie da auch eine Aufgabe gefunden für sich.
Weil jetzt waren sie ja diejenigen, die die KI enablen und eigentlich die Wissensträger und nicht mehr nur die Sacharbeiter, die halt abarbeiten.
Und das ist ein Beispiel für, wie Management involviert sein muss.
wie es top-down gelebt werden muss, wie der klare Nordstern kommuniziert werden muss und wie dann aber auch den Menschen das Gefühl vermittelt wird, die dabei beteiligt sind, dass sie überhaupt nicht obsolet sind, dass nur die wiederkehrenden repetitiven Aufgaben, dass die ihnen abgenommen wird.
Und das ist eigentlich eh nicht der Sinn und Zweck von einem gut ausgebildeten Accountant beispielsweise, das zu machen.
Ja, verstehe ich.
Eine Sache, die mir da immer wieder auffällt, ist, dass unklar ist, was wirklich für die Leute drin ist, die diesen Prozess unterstützen müssen, die ihr implizites Wissen explizit machen sollen, die KI-Agenten kontrollieren, antrainieren, feedbacken sollen, weil am Ende ist doch recht klar, dass wenn ich in einem sehr starken, repetitiven, also in einer Prozessarbeit unterwegs bin, die digital abläuft, dass dann, wenn zehn Leute vorher diesen Prozess gemacht haben, dass dann definitiv nicht zehn Leute benötigt werden, die diesen Prozess noch machen müssen.
Und dass gleichzeitig dann gesagt wird, also du hast jetzt auch gesagt, der Accountant ist auch nicht dafür da, diese Aufgabe zu machen.
Aber ich glaube, meistens ist völlig unklar, was die Person denn sonst machen soll und dass es da gar kein motivierendes, inspirierendes Zielbild gibt.
Und dann ist es natürlich super schwer.
Was ist mein Anreiz dann als Mensch, der heute sein Gehalt mit dieser Aufgabe verdient, mich selbst überflüssig zu machen?
Wir reden ja hier nicht von Startups.
Wir reden von zwei unterschiedlichen Leuten.
Doch, doch.
Pass auf.
Die Leute, von denen du gerade sprichst, die werden einen anderen Job machen müssen.
Das ist unbestritten.
Das sind aber meistens Leute in Shared Service Centern.
die auch wirklich nur repetitive Arbeit machen.
Das ist der Fall bei großen Unternehmen, die wirklich die Möglichkeit haben, in Shared Service Center gewisse Tätigkeiten auszulagern.
In diesen Shared Service Centern gibt es immer unterschiedliche Mitarbeiter, die dies wirklich einfach nur machen und die, die es verantworten, trainieren, das Knowledge haben.
Was auch viel der Fall ist bei solchen Shared Service Center Organisationen, ist, dass für wirkliche Ausnahmen die Arbeit wieder zurück in die Organisation geschleust wird, zu Mitarbeitern, die weiß Gott einen anderen Job haben, als dann eigentlich zu sagen, ja, ich habe da was bestellt und ja, das steht nicht auf der Rechnung drauf, aber ja, das ist so, wie es ist und das kann so bezahlt werden.
Und die haben wirklich überhaupt keinen Stress damit.
Also, wenn die nicht im Fachbereich im Shared Service Center sind, dass das nicht mehr zu ihnen auf den Tisch kommt und die im Shared Service Center, die die Vorarbeit machen, die das Wissen haben, die neue Leute onboarden, die neue Leute suchen.
Da ist ja auch eine ständige Fluktuation drin, wenn du dir Shared Service Centers anguckst.
Die verlieren ihren Job auch nicht, weil die haben wirklich was davon, halt statt Mitarbeiter onzuborden, einfach Agenten onzuborden, zu verwalten, ihren Job auf dieses Application Ownership zu verschieben.
Und wenn du jetzt ein Level runtergehst in der Industrie, in Mittelstand, und du denkst an irgendein Unternehmen im Schwarzwald, die haben es eh schon nicht leicht, Leute zu finden.
deren typischer Altersdurchschnitt für solche Jobs ist irgendwo knapp an der Rente.
Wenn du dir jetzt Gen Z überlegst als Jobeinsteiger für genau solche Berufe, die haben ja überhaupt keine Lust, repetitive Arbeit zu machen.
Und am Schluss landet es dann auf dem Tisch von gut ausgebildeten Mitarbeitern, einfach weil sie noch da sind.
Es ist nicht so, dass sie nicht was anderes machen könnten, aber irgendjemand muss ja die Arbeit machen.
Und das ist die Realität im Alltag.
Und die Unternehmen, die ich erlebt habe, und das gibt leider ein paar, die am Betriebsrat scheitern, sowas einzuführen, da hat der Betriebsrat immer noch nicht die Realität verstanden, dass ein 25-Jähriger auch 2026 noch bessere Jobaussichten hat, als repetitive Verwaltungsarbeit zu machen.
Wir haben nie Prozesse gebaut, denke an unser Beispiel von vorhin mit den Spesen, wir haben die nie gebaut, um zusätzlich Leute in der Verwaltung zu beschäftigen.
Ist einfach nicht der Fall.
Und wenn wir das alles wegbekommen und Mitarbeiter und Menschen nur noch an Dingen arbeiten, die wertschöpfend sind, warum es die Unternehmen wirklich gibt, das ist was super Positives.
Und ich glaube, ja, es gibt einen Teil an Menschen, der ist betroffen.
Aber das gab es in jeder technologischen Revolution und man hat immer eine Lösung gefunden.
In Frankreich, in Zügen, wo keine Kohle mehr geschippt wurde, haben noch acht Jahre zwei Leute den Job Kohleschaufler gehabt.
Acht Jahre lang.
Und sind in dem Zug mitgefahren, einfach um Schritt für Schritt den Übergang hinzubekommen.
Und solche Lösungen werden wir auch im Zeitalter von KI finden.
Und es ist trotzdem positiv, technologischen Fortschritt zu haben.
Also, ich...
Glaube da auch total dran.
Mir fehlt nur ganz oft die Klarheit in der Kommunikation auf der Unternehmensseite, wo dann zu oft von wertstiftenderer Arbeit gesprochen wird, ohne dass irgendjemand in dem Raum, wo das verkündet wird, benennen könnte, was heißt denn jetzt genau wertstiftendere Arbeit für dich, dich und dich.
Und wir machen das zum Beispiel, wir arbeiten das aus mit den Führungskräften aus den einzelnen Abteilungen.
Und arbeiten aus, welche Zeit freigesetzt wird und was eigentlich Aktivitäten oder Arbeit ist, die einen größeren Wertschöpfungshebel hat für das Ergebnis, was die Abteilung erreichen muss.
Und das ist nicht immer so ganz trivial, aber wenn man das mal einmal rausgearbeitet hat, idealerweise mit dem Team gemeinsam, ist es ein ganz anderes Spiel.
Weil auf einmal gibt es ein attraktives Zielbild, was einen Pull erzeugt.
Die Leute sagen, ja mega, okay, da habe ich ja Bock drauf, das zu machen, weil dafür bin ich den Job mal angetreten.
Klappt auch nicht für alle Funktionen, aber stimme dir zu, dass das für recht viele klappt.
Und dann ist der Anreiz wiederum, bestimmte Aktivitäten jetzt automatisierbar zu machen, viel, viel, viel höher.
Ja, und stell dir mal vor, ein Vertriebler kann mit dem Kunden sprechen, statt Aufträge zu erfassen.
Und ein Einkäufer kann Lieferantenverhandlungen machen, statt Auftragsbestätigungen zu kontrollieren.
Und ein...
Accountant muss nicht mehr intern den Leuten auf den Zeiger gehen, warum bei dem Spesenbeleg X und Y nicht richtig gemacht wurde.
Denen geht es allen besser.
Die haben alle mehr Spaß an der Arbeit.
Und es ist möglich, das aufzuzeigen.
Es ist herausragend, dass ihr das dann so macht, weil Kommunikation ist das A und O.
Ich kann es nur wiederholen.
Technologie ist gelöst.
Es geht um Change.
Also du hast jetzt das gute Beispiel gebracht mit dem Geschäftsführer, der selbst als Key-User in den Lead gegangen ist und herausgefunden hat, wo liegen die Probleme, wie lassen die sich lösen und selbst voll in die Verantwortung gegangen ist, dass er dann so einen positiven Sog erzeugt und mehr Leute mitgenommen.
Was sind noch Sachen auf der Change-Seite, die besonders gut funktionieren?
Also ein Thema, was viele unterschätzen, ist KI muss betrieben werden.
Und das erfordert eine neue Governance.
Was ich damit meine?
Historisch ist die Governance von Software in der IT.
Und wenn ich als User im Fachbereich eine Änderung mir wünsche, dann mache ich ein Ticket an die IT und dann löst dieses Ticket jemand in der IT irgendwann, hoffentlich richtig, und der User testet es und vielleicht gibt es eine Iterationsschleife.
Im Zeitalter von KI ist die Anforderung an Veränderung einfach viel frequenter.
Ich muss die ganze Zeit eigentlich implizites Wissen explizit als Agent-Kontext zur Verfügung stellen.
Der Custom-Agent muss den generischen Agent ersetzen, sich automatisch deployen, dass es nächstes Mal schon die Veränderung mit sich bringt, die ich möchte, um mehr Automation zu haben.
Jetzt stell dir das mal vor im historischen Setup von IT-Governance.
die gehen unter in der Flut an Tickets und die haben gar nicht die Möglichkeit, das sinnvoll zu testen, weil sie das Wissen nicht haben.
Das heißt, wir brauchen eine vernünftige, gesplittete Ownership, was es angeht, KI-Agenten einzustellen, zu testen, freizugeben versus neue Technologien ins Unternehmen zu bringen, vielleicht auch komplette Modellwechsel zu machen, all die Themen, die wirklich Security, all die Themen, die wirklich in der IT sitzen sollten.
Aber alles, was irgendwo mit Fachwissen zu tun hat, hat aber auch mit der Software zu tun.
Und das muss in den Fachbereich.
Und das ist ein Thema, was sich die meisten gar nicht überlegt haben, bevor es dann ins Projekt geht.
Und ein Riesenwandel, auch im Mindset einfach.
mit sich bringt.
Wer macht das dann im Fachbereich?
Also wir sagen, der Application Owner.
Für uns ist die IT eigentlich nur noch für Integration und Security verantwortlich und dann gibt es einen Application Owner und den möchten wir eigentlich aus dem Fachbereich.
Also das ist dann jemand, der zum Beispiel Finanzwissen hat oder Procurementwissen oder halt Vertriebsinnendienstwissen, diese Themen und dem seine Rolle ändert sich aber und der wird eigentlich zu einem IT-Application-Owner für diesen Bereich.
Und da hilft es einfach zu verstehen, wie dieses Prozesswissen in Kontext gebaut werden muss.
Und das muss jemand sein, der ein bisschen affin ist, was Technologie angeht, der ein bisschen Lust hat, die Zukunft zu gestalten.
Also der typische kurz vor der Rente stehende, nicht ganz IT-affine Fachbereichsmitarbeiter, nicht der richtige, aber jemand, der schon zwei, drei Jahre da mitgearbeitet hat und sich verändern möchte, der ist super.
Das kann auch irgendwas dazwischen sein.
Also ich möchte nicht sagen, das muss ein 25-jähriger Kerl sein oder junge Dame, aber das Mindset muss stimmen und ich muss mich gut anstellen, was Tech angeht.
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 so Checks, die bei euch laufen müssen, bevor ein Agent in den Produktivbetrieb geht?
Die...
Frage muss ich ein bisschen ausführlicher beantworten.
Wir, ich hatte es vorhin kurz angesprochen, bei uns reicht 99% Reliability nicht.
Wir arbeiten mit Kern-ERP-Prozessen.
Wir automatisieren das Herz von Unternehmen.
Das heißt, wir brauchen wirklich 100%.
Und dass das funktioniert, brechen wir Workflows runter in Einzelschritte.
Und wir haben nicht einen Agenten für einen kompletten Workflow.
sondern wir haben für jeden Einzelschritt einen Agenten.
Und dann hast du im Accounts Pay, glaube ich es angesprochen, 160 zum Beispiel von denen.
Und je nach Rechnung, die reinkommt, brauchst du 20 bis 30, die dann wirklich in Einsatz kommen.
Es kommt darauf an, für welchen genauen Use Case ist das.
Und die werden dann orchestriert.
Diese 160 sind generisch.
Die funktionieren über alle Kunden erstmal gleich.
Und die sind auch als SaaS.
ab Tag 1 schon zur Verfügung und funktionieren.
Das Problem ist jetzt, das kommt bis zu einer gewissen Schwelle gut und diese Automationsschwelle, die kann nicht überschritten werden aufgrund der Daten des Unternehmens.
Und jetzt müssen generische Agenten mit kundenspezifischen Agenten übersteuert werden, um noch höhere Automation hinzubekommen.
Ich greife nochmal das Beispiel von dem Kontieragenten auf.
Sagen wir, du Felix hast in der Vergangenheit AWS-Rechnungen kontiert.
Und der Kontierungsagent, der generische, geht jetzt hin und sagt, Felix hat 10 AWS-Rechnungen kontiert, 5 waren Sachkonto 4711, die anderen 5 7912.
KI ist dafür gebaut, das jetzt zu verstehen, warum.
Strukturen abzuleiten, die Unterschiede zu evaluieren.
Das ist genau das.
Und jetzt kommt dieser KI-Agent, nicht drauf, warum sind die ersten 5 47 11 und die anderen 5 79 12.
Und wir hatten das in der Vergangenheit und dann haben wir selber als Menschen drauf geguckt und hatten keine Chance.
Und wenn du dann jetzt dich als User fragst, hey Felix, warum hast du das so gemacht und du guckst dir das an, dann ist die Antwort sehr häufig, ich würde sagen 9 aus 10 Mal, du ich habe einen Fehler gemacht, die 79 12 kannst du ignorieren, nimm immer die 47 11.
Und jetzt muss für Felix als User und AWS als Lieferant, dieser generische Kontieragent durch einen kundenspezifischen Agenten ersetzt werden, mit genau dem Kontext.
Weil wenn ich den Kontext einfach dem generischen geben würde, dann wäre irgendwann das Kontext-Window zu viel und dann kann ich es wieder vergessen, weil dann scheitert das ganze System.
Und bei so einem kundenspezifischen Agenten, da wird getestet.
Da brauchen wir ein gewisses Validierungsset, um zu verstehen, macht das denn Sinn?
Weil ich möchte nicht jetzt bei der erstbesten neuen Ausnahme ohne Validierungsset einen kundenspezifischen Agenten deployen.
Der könnte ja beim zweiten Mal schon was falsch machen.
Und deshalb, da gibt es Tests, aber das ist innerhalb des Prozesses.
Also wir glauben überhaupt nirgends an A priori.
sondern wir glauben immer, das Problem innerhalb des Prozesses zu lösen.
Das heißt, wenn es aufkommt und wenn es sagen wird, das ist die erste Ausnahme mit AWS, dann muss es der Mensch machen, kommt die zweite, kann ich jetzt schon ein Muster erkennen, kann ich jetzt einen kundenspezifischen Agenten releasen, weil jetzt kann ich ja auf beide testen.
Und je nach Einzelaufgabe, je nach Agent kommt es dann halt darauf an, wie viel Test möchte ich, wie viel Sicherheit brauche ich.
Weil am Ende ist es eine Risikobetrachtungsfrage, ob ich es wirklich automatisieren möchte mit weniger Testdaten oder nicht.
Ja, okay.
Und das Testing läuft dann aber natürlich auch, Monitoring läuft dann auch automatisiert, weil über diese Menge an Agenten, über die Vielzahl von Prozessschritten ist ja sonst der Mensch der Flasche.
Das größte Problem, was auch viele Firmen erst mit der Zeit feststellen, das meine ich auch wieder mit dem Betrieb, was wir vorhin hatten, das Thema.
Die Modelle verbessern sich ja.
Und das heißt, ich möchte von dieser Verbesserung der Modelle ja profitieren.
Wenn ich jetzt alle Custom Agents mit einem Modellwechsel versehe, dann muss ich ja irgendwie automatisiert testen, ob dieser Modellwechsel mir irgendwas kaputt macht.
Das heißt, ich muss automatisch gegen ein Validierungsset prüfen, macht das noch das Richtige?
Und das sind alles so Themen, die in der Plattform bei uns dann natürlich drin sind oder jemand dann halt mit berücksichtigen muss, wenn er so ein Projekt selber umsetzt.
Auch das ist nicht schwierig.
Man muss es halt machen, man muss es richtig machen, man muss es dann auch gut betreiben.
Vielen, vielen Dank.
Da waren jetzt echt eine ganze Menge Insights dabei.
Wir haben jetzt einen Durchmarsch durch alle möglichen Themen gemacht.
Ich habe noch abschließend eine Frage an dich.
Und zwar sind hier gerade alle möglichen Unternehmen, Menschen dabei, Agents zu verstehen, in ihre eigenen Prozesse einzubinden, darunter die Infrastruktur zu bauen.
Was würdest du sagen, ist in den letzten acht Jahren, wo du dich mit dem Thema beschäftigst, die wichtigste Sache, die du über damals Microservices, heute Agents gelernt hast?
Die wichtigste Sache über KI-Agenten.
Wir hatten, mir kommt wieder der Mensch in den Sinn.
Und um die Sorry ein bisschen auszuführen, es gibt so ein Change-Cycle von Menschen.
Das habe nicht ich mir ausgedacht, das ist auch wieder wissenschaftlich wieder ein Gartner-Hype-Cycle von vorhin.
Und da ist am Anfang, hat der Mensch erstmal eine gewisse Abwehrhaltung, was der Bauer nicht kennt, frisst er nicht.
Und er versucht sich sogar...
dann Beispiele rauszupicken, um anderen zu beweisen, dass das doch blöd ist und dass das gar nicht funktionieren kann.
Und das dauert eine ganze Weile, bis er in einer Frustration endet, weil ihm die anderen quasi nicht mehr glauben oder er sich nicht selber belügen kann, bevor er anfängt, das Thema zu adaptieren und sich darauf auszubilden und dann sinnvoll einzusetzen und sich dahingehend zu entwickeln.
Und ich sehe das ganz viel.
Also wenn wir jetzt fünf Jahre zurückdenken, als wir noch selber Extraktionsmodelle verkauft haben und halt gebaut haben, dann hat die User am meisten gefreut, wenn wir mal was nicht erkannt haben.
Vollkommen Banane, weil die Plattform zeigte ja nur noch, was wir nicht erkennen.
Das ist die Aufgabe.
Alles, was erkannt wurde, siehst du ja gar nicht mehr.
Und wenn ich jetzt ein paar Jahre nach vorne denke und der Kontieragenten einen Fehler macht, den dann jemand findet, dann ist das ein ähnliches Verhalten.
Und ich glaube, das Wichtigste, was wir uns immer wieder vor Augen führen müssen, ist, wir sind ja auf einem absoluten Durchbruch.
Und das Schlechteste, was wir erleben werden, ist heute, wenn wir nach vorne gucken.
Die Technologie wird jeden Tag besser.
Und ich bin überzeugt, und wir hatten über 300 Kunden beim Kundentag, jetzt kürzlich hier in Zürich, und die haben alle da auch zugestimmt.
Die Technologie ist heute schon nicht mehr das Problem.
Es funktioniert heute schon herausragend gut.
Wir müssen jetzt einfach reingehen in diesen Wandel und adaptieren und den Mensch zu ändern und die Adaption hinzubekommen.
Das wird Zeit brauchen, das wird Hilfe brauchen, das wird Energie kosten, aber es ist allemal wert.
Wenn wir es hinbekommen, dass wir immer noch die Kontrolle von Prozessen haben, die Guidance von Prozessen haben, aber nicht mehr diesen Admin-Aufwand.
dann ist es vollkommen egal, wie die Technologie heißt.
Es ist überragend.
Weil dann können wir uns auf das fokussieren, warum wir die Firmen gegründet haben, irgendwann mal.
Und wo der Wert des Kunden herkommt.
Und das ist cool.
Und was ist sein Take auf die ERP-Anbieter, die ja auch alle dran sind, Agenten in ihre Produkte einzubauen?
Von SAP hast du vorhin gesprochen.
Kann euch das nicht zum Verhängnis werden?
Du am Ende des Tages...
Wenn sie es hinbekommen, finde ich super.
Ich glaube auch, sie werden es irgendwann hinbekommen, weil dann hilft es den Menschen trotzdem.
Wir haben jetzt natürlich einen Vorsprung und wir möchten den Vorsprung nutzen und wir entwickeln uns auch weiter.
Und wenn wir irgendwann was anderes machen mit der Technologie, mit unserem fantastischen Team, um den Kunden zu helfen, dann ist das auch gut.
Am Ende, mir geht es vor allem darum, dass die ganzen Unternehmen da draußen, vor allem in unseren Regionen auf der Welt, die Technologie jetzt nutzen und Wettbewerbsvorteile erarbeiten, bevor es andere machen.
Und für diese Adaption kämpfe ich, wo die am Ende herkommt, ist mal dahingestellt und mit einem Augenzwinkern glaube ich, dass wir ein bisschen Zeit haben, bis da manche Player im Markt aufholen.
Ich drücke euch auf jeden Fall weiterhin die Daumen.
Danke, dass du hier warst und deine Erfahrungen geteilt hast und weiterhin viel Erfolg.
Mach's gut, Tim.
Danke, hat Spaß gemacht, Felix.