# AI-First Transformation: People, Processes, Products

**Podcast:** AI FIRST Podcast
**Published:** 2026-08-21

## Transcript

Herzlich willkommen zum AI-First-Podcast.
2016 hat Sundar Pichai zum ersten Mal eine AI-First-Strategie für Google ausgerufen und seitdem die gesamte Firma transformiert auf allen Ebenen.
Und ihm sind in den letzten Jahren viele andere CEOs, aber auch immer mehr Politiker gefolgt, erklären, dass ihre Unternehmen ab sofort AI-First arbeiten, dass das die Zukunft ist.
Aber die Frage ist, wo bleiben denn daraus die Ergebnisse?
Welche Unternehmen haben sich wirklich schon transformiert?
Und was bedeutet denn AI first überhaupt?
Für wen ist das sinnvoll?
Und wenn ich mich auf diesen Weg begeben sollte...
Wie mache ich das denn eigentlich?
Genau darum geht es jetzt heute in dieser Folge.
Ich habe Elisabeth Laurent mit dabei und wir werden gemeinsam diskutieren, was AI First Unternehmen auszeichnet und wie man dahin kommt und was der Mehrwert ist, der sich daraus auch für dein Unternehmen ergeben kann.
Liz, schön, dass du hier bist.
Hi Felix, freut mich mal wieder da zu sein.
Dann lass uns doch mal kurz mit einer Begriffsdefinition starten, weil AI First ist jetzt kein unbedingt geschützter.
Was verstehst du denn darunter?
Ja, so wie du eingangs sagtest, Sander Pichai, also der CEO von Google, hat das tatsächlich so geprägt in 2016.
Das heißt, als die bekannt gegeben haben, dass sie diesen Wandel machen werden von Mobile First zu AI First.
Das war sozusagen der...
Wandel der Plattform, wenn man so möchte.
Das heißt, wir waren ja erst auf dem Desktop, dann einige Länder haben das gedeepfrogged, dann waren wir bei Mobile und jetzt sind wir bei AI.
Also es ist eigentlich eher eine Plattformfrage.
Für mich bedeutet das in erster Linie erstmal die Bejahung der Zukunft.
Das heißt, wenn man als Unternehmen sagt, man geht eher first, heißt es, dass man sich in die richtige Richtung entwickelt.
Ich glaube, es ist erstmal...
das Wichtigste, dass man sich sein Mindset darüber ändert oder dass man klar ist, in welche Richtung es gehen soll.
Das heißt, bevor man sich Gedanken macht über die Technologien und über die einzelnen Tech-Stacks, die man dann implementiert, sollte man sich, glaube ich, erst mal Gedanken machen, was man eigentlich möchte.
Und das, glaube ich, dieses AI-First-Mindset ist das...
was ich daran sehe und das ist das Wichtigste für die Firma.
Ich meine, wir haben beide schon viele Leute interviewt, die dieses Mindset haben.
Weißt du noch, den Gründer von Schoko, den haben wir beide interviewt und der hat schon vor zwei Jahren auch AI First ausgerufen.
Und auch wenn die Technologien...
Ich bin mir nicht ganz sicher, ob das so funktioniert hat, wie sie das geplant haben.
Aber ultimativ ist das der richtige Weg.
Das heißt, da sehe ich den Ansatz.
Und im Übrigen, wir werden die einzelnen Cases bei mir diskutieren.
Das heißt, wir machen hier eine Doppelfolge, nochmal für die Hörer.
Erstmal die Theorie bei Felix und dann die Anwendung bei mir morgen, eine Folge später.
Wie siehst du denn das?
Also wie siehst du die Struktur in diesen einzelnen Firmen?
Also was hast du gesehen, wie sich das quasi wie AI First aufgeteilt wird?
Ja, ich gehe da gleich drauf ein und würde vorher noch mal so ein bisschen teilen, was so meine Gedanken zu AI First sind, weil meine Firma heißt ja so.
Ja, ja, so ein Zufall.
Und ich weiß noch, dass ich damals...
Ich hatte mir damals so ein paar, ich habe ja eigentlich zuerst, meine Firma hieß erst, also als ich angefangen habe, hieß das Leading Tomorrow.
Und dann habe ich den Newsletter und Podcast gestartet und habe dafür einen Namen gesucht und dann habe ich das AI First genannt, so das Label darüber.
Später habe ich die Firma dann in die AI First GmbH gewandelt.
Und...
Ich weiß noch, wie ich damals mit ein paar Leuten aus meinem Netzwerk bekannte und unterschiedliche Namen hin und her gespielt habe.
Und dann weiß ich noch, wie mir voll der Gegenwind entgegenkam, als ich gesagt habe, ich nenne das AI first, weil es macht keinen Sinn.
People first oder Customer first oder Problem first oder sowas.
Aber AI first ist doch sinnlos, weil wir wollen ja nicht alles mit AI machen.
Und ich glaube, ich hatte damals immer schon einen anderen Gedanken dahinter, nämlich AI First heißt nicht AI Always, sondern AI First ist für mich, genauso wie du es auch gesagt hast, eher eine Haltung oder ein Prinzip, was ich als Unternehmen oder auch als Mensch folgen kann und zwar alles, was ich tue.
aus KI-Perspektive zu hinterfragen und die überlegenden Fähigkeiten von KI gegenüber Menschen so einzusetzen, dass die Ziele, die ich verfolge, besser erreicht werden können oder schneller erreicht werden können oder ein größerer Mehrwert daraus entsteht.
Der Daniel, das ist meine Definition davon, der Daniel Kaschab von Schoko, was du vorhin auch angesprochen hast, der hat zum Beispiel gesagt, für ihn ist eine Company, eine AI-First-Company, wenn über 50% vom Umsatz über KI oder KI-Produkte erreicht werden.
So haben sie das ja auch gemacht.
Sie haben quasi ihre Software...
Haben sie ein neues Produkt daraus gebaut, was KI im Kern hatte, darüber irgendwann 50% vom Umsatz generiert.
Das war für ihn so dieser Meilenstein.
Ich habe es nochmal gegoogelt.
Da kam raus, dass ein Unternehmen im Produkt oder Prozess KI nicht nur als nachträgliches Zusatzwerkzeug nutzt, sondern sie von Beginn an ins Zentrum der Wertschöpfung stellt.
KI ist der Standard für Entscheidungen, Abläufe und Softwarearchitektur.
Also ich glaube, alle haben so...
eine recht starke Überlappung, dass es darum geht, das eigene Unternehmen und was man tut aus KI-Perspektive nochmal zu hinterfragen, das tief dort zu integrieren, um größere Wirkung und größeren Mehrwert zu erzielen.
Ja, das sehe ich auch.
Also Daniel hatte auch ganz wilde Ideen.
Ich glaube, ein Teil der Idee in seiner App war, dass...
permanent das Mikro läuft und in den Küchen, also die sind quasi ein Lieferservice B2B für Großküchen.
Und das in den Küchen zugehört wird.
welche Lebensmittel wann gebraucht werden, basierend darauf, was die einzelnen Köche und Mitarbeiter sagen.
Also das heißt, wenn 18 mal das Wort Tomate fehlt, wird automatisch irgendwie eine Tomatenbestellung ausgelöst.
Das finde ich ganz spannend, weil das ist natürlich zum Beispiel analog zu den ganzen Tradern, die in Wall Street sind.
Da wird auch immer relativ genau abgehört, was die sagen in den Trading Rooms, solange es legal ist, aber früher hat man das gemacht auf jeden Fall.
Und davon werden Trading-Strategien abgeleitet für ganze Hedgefonds zum Beispiel.
Und diese kreativen Ideen, die Daniel hatte, finde ich total spannend, weil das ist nämlich genau das, was es braucht, glaube ich.
Also so ein bisschen Thinking outside of the box, neue Ideen zu haben.
Und wir sprechen ja gleich über diese verschiedenen Strategien, die man fahren kann, beziehungsweise diese verschiedenen Strukturen.
Aber das ist eigentlich, wo die Reise hingehen sollte, finde ich.
Genau, und auf diese Ideen kommen wir aber nicht, wenn wir aus unserer bekannten Welt heraus auf die Probleme denken, sondern wir müssen eben aus KI-Perspektive da drauf gucken und uns dann fragen, das, was wir da erreichen wollen, das Problem, was es gibt.
Und natürlich geht es immer darum, irgendwelche Probleme zu lösen und besser zu werden.
Das finde ich so eine semantische Nonsens-Diskussion, wenn man dann sagt, das müsste aber eigentlich Problem oder Customer First heißen.
Klar.
Aber wir müssen uns das aus der Perspektive dieser Technologie angucken, die, und das sehen wir jetzt gerade, jeder Mensch, der mit einem KI-Agenten arbeitet, sieht das, dass diese Technologie immer mehr Fähigkeiten entwickelt, in denen sie uns einfach überlegen ist in bestimmten Dingen.
Und dann müssen wir schauen, wie lassen sich jetzt einfach diese Fähigkeiten auf Dinge anwenden, was wir bisher so noch nicht gemacht haben.
Und wie müssen wir dann vielleicht auch neu über Prozesse oder Produkte nachdenken.
So, jetzt haben wir die Frage.
Wie kommt man denn dahin?
Weil einmal auszurufen und einen LinkedIn-Post zu machen, zu sagen, wir werden jetzt AI first, das gibt dann viel Applaus, aber damit passiert erstmal noch nicht.
Und ich glaube, dass zumindest erlebe ich das immer mal wieder so, wenn ich mir diese Strategiedokumentation angucken darf, dass da noch relativ wenig konkreter Fahrplan dahinter steht, was eigentlich Maßnahmen sind und verschiedene Level, die man durchgeben muss.
Und ich habe das sowohl auf Kundenebene, als auch bei mir im eigenen Unternehmen.
Jetzt in den letzten Jahren habe ich so drei Ebenen identifiziert und gesehen, auf denen eigentlich diese AI-First-Transformation, dieser Wandel passiert.
Und ich würde das gerne mal mit dir durchgehen und so ein bisschen meine Erfahrung und Sicht darauf teilen und bin auch gespannt, was du dann noch zu ergänzen hast.
Und du hast ja auch ein paar Cases vorbereitet, die wir uns dann in der nächsten Folge in deinem Podcast noch anhören.
Ja, in der Tat.
Und ich glaube, deine Struktur, die du hast, die ist gar nicht so unique.
Also viele haben am Ende bricht es sich runter auf, wie du immer so schön sagst, People, Processes und Products.
Aber erklär mal bitte, was das genau heißt.
Ja genau, also ich liebe diese People, Processes, Products Struktur, weil das ist für mich das, woraus ein Unternehmen am Ende besteht.
Da arbeiten Menschen, die organisieren sich in Prozessen und erzeugen Produkte oder Services für die Kunden.
Und ich gucke auch genau auf diesen drei Ebenen darauf.
was ist die heutige Welt und wie sieht eigentlich die AI-First-Welt aus?
Und du kannst auf alle drei Ebenen bauen für mich aufeinander auf.
Und für mich fängt es immer bei den Menschen an, weil am Ende sind Menschen auch diejenigen, die Prozesse verändern und verändern müssen.
Die verändern sich nicht von alleine, sondern es muss ein Mensch entscheiden und es müssen andere Menschen auch da mitgehen.
Und das Gleiche muss auch bei den Produkten passieren, weil die werden auch wieder von Menschen erzeugt und es gibt dann wieder Menschen, die mit Kunden sprechen, um deren Anforderungen zu verstehen, die in Produkte zu gießen.
Es fängt immer wieder da an.
die Leute im Unternehmen nicht AI-First denken und arbeiten, dann kannst du keine AI-First-Prozesse oder Produkte entwickeln.
Glaube ich überhaupt nicht dran.
Also es geht bei den Leuten los.
Level 1 ist also People und da geht es insbesondere um die Arbeitsweisen.
Und das hat das Ziel...
Am Ende natürlich auch diese Transformation auf Prozess- und Produktebene voranzutreiben, was noch einen größeren Hebel hat, aber erstmal die individuelle Produktivität zu steigern.
Also ich frage mich hier, wie schaffen wir es, dass jede einzelne Person, die heute x Zeit hat, dadurch einen maximalen Y-Output in der höchstmöglichen Qualität erzeugen kann.
Womit fängt das an, diese AI-First-Arbeitsweise?
Und ich breche es jetzt mal runter auf ganz einfache Sachen.
Man könnte das jetzt auch wieder super kompliziert machen und sagen, dass es alles irgendwie voll agentisiert und Menschen gucken nur noch auf riesige KI-Systeme und drücken irgendwelche Knöpfe.
Aber wir müssen auch mal die...
Kirche im Dorf lassen, dass da einfach ein Großteil der Unternehmen da draußen noch lange nicht ist.
Ganz einfache Sache.
Womit haben wir damit angefangen?
Das war der allererste LLM-Case, den ich damals bei mir im Unternehmen umgesetzt habe.
Und zwar jedes einzelne Meeting wird transkribiert und wird automatisch von einer KI weiterverarbeitet.
Mit sich die Leute im Meeting auf das Gespräch konzentrieren können und sich schon mal Zeit mit dieser ganzen Nachbereitung sparen.
Also irgendwelche Action Points da rausziehen, Follow-Ups vorbereiten, das im Projektmanagement-Tool einstellen und einfach eine strukturierte Dokumentation von dem, was besprochen wurde, dass das abgelegt wird.
Super, super, super simpel.
Und dann gibt es weitere horizontale Tätigkeiten, die wir alle machen.
Kommunizieren, dokumentieren, Daten analysieren, Dinge planen.
Und das geht AI-First-Teams irgendwann in Fleisch und Blut über.
Wenn ich dort Daten auswerten muss, dann ist der Impuls nicht mehr, dass ich da irgendwie mir eine Formel in Excel schreibe oder so etwas, sondern dass ich natürlich mit einem KI-Agenten in diese Analyse reingehe.
Tobi Lüttke von Shopify, der hat das damals, fand ich, ganz...
ganz gut.
Der hatte auch so ein Announcement gemacht.
Ich glaube, das ist auch mittlerweile schon zwei Jahre her.
Der hat gesagt, reflexive AI usage ist Baseline, Expectation oder so in diese Richtung.
Du hast etwas, das muss erledigt werden.
Erde erwartet, der erste Reflex ist, zu KI zu greifen.
Würde ich nicht zu 100% zustimmen.
Das ist schon so die sehr, sehr radikale Form und nicht immer macht es Sinn, direkt zu KI zu greifen, sondern oft macht es Sinn, auch erstmal auf sein eigenes Gehirn zuzugreifen.
Aber zeigt so ein bisschen so diesen Weg.
Und ich glaube...
Vielleicht kannst du das auch bestätigen, Leute, die sehr viel mit KI arbeiten, also weit über 100 Stunden mal wirklich aktiv mit KI gearbeitet haben, die entwickeln irgendwann so eine Intuition, wann es Sinn macht, zu einer KI zu greifen, wann nochmal selbstfährlich nachgedacht oder besser vorbereitet werden muss.
Und das wird dann irgendwann normal, so zusammenzuarbeiten.
Ja, in der Tat, das sehe ich auch.
Meine Frage ist aber, glaubst du, das wird sich ändern, weil die KI sich ja stetig verbessert?
Also es gibt viele Dinge, die ich vor zwei Jahren sicherlich nicht mit der KI gemacht hätte, weil ich von vornherein wusste, dass es zu nervig ist.
Also ich brauche zu viele Iterationen, daher mache ich es lieber schnell selbst.
Aber das hat sich geändert, weil die einzelnen Systeme ja so gut geworden sind.
Also gerade zum Beispiel im Bild generieren oder so.
Es gibt verschiedene Dinge, die einfach inzwischen flawless sind.
Und ich glaube, dass sich das ändern wird, oder?
Oder meinst du, es sind gewisse Erfahrungswerte, die jetzt bleiben?
Doch, das ändert sich auf jeden Fall.
Und zwar wird...
Also was ich sehe, ist, dass der, wie soll man sagen, der Anteil, also im Kern der Anteil der Arbeit, die von KI erledigt wird, der nimmt halt immer weiter zu und ich muss weniger stark in diesen Prozess involviert sein.
Aber was immer wichtiger wird, ist, wenn das so ist, dass ich vorne halt richtig genau weiß, was genau will ich erreichen, was ist das Ziel, woran...
erkenne ich, dass das ein gutes Ergebnis ist und in welchem Kontext muss die KI diese Aufgabe bearbeiten.
Und dann ist mehr Autonomie im Prozess und ich muss hinten dann wieder verstehen, was wurde dort eigentlich gemacht und sind meine Kriterien erfüllt.
Also vorne das Ziel und die Anforderungen definieren, hinten sauber prüfen und feedbacken.
Das wird wieder wichtiger in dem Prozess.
Da bin ich zumindest immer stärker rausgekommen aus diesem sehr, sehr iterativen Arbeiten.
Aber das ist dann auch deine, weil wir sind ja jetzt bei den Prozessen, ja?
Das heißt, wir haben diesen D...
Ne, warte, wir sind auch bei den Arbeitsweisen.
Achso, wir sind auch bei den People, Entschuldigung, ja.
Ja, wir sind auch bei den People, bei den individuellen Arbeitsweisen.
Bei den Effizienzsteigerungen der Mitarbeitenden.
Das ist nämlich am Ende das, was du suchst.
Bei den People versuchst du, die letztlich effizienter zu machen.
Bei den Prozessen versuchst du, die zu beschleunigen.
Und bei den Products versuchst du, neue zu erstellen.
Oder neue Geschäftsmodelle zu erfinden mit AI.
Das heißt, das sind ja letztlich die drei Zielbilder.
Wenn man strategisch überlegt, was ist mein Ziel?
Wo möchte ich eigentlich drauf hinaus?
Mit dieser großen Vision AI First.
den Menschen, die effizienter machen, die Prozesse schneller und neue Produkte.
Nur mal als Überblick.
Okay, das heißt bei den People.
Wie geht es da weiter?
Genau, also was ich dann sehe, ist bei AI-First-Teams, die in diese Haltung reingekommen sind und das ist immer so, dass da erstmal ein paar Leute vorweglaufen.
Idealerweise ist das natürlich der CEO, der als erstes dieses Mindset hat, weil der steckt dann sein Führungsteam an, das Führungsteam steckt dann die Mitarbeiter an.
Manchmal Passiert das aber auch von unten, dass es so ein paar Leute gibt, die da die ersten Samen sehen und Ergebnisse zeigen und damit andere anstecken.
Aber es ist immer so wie so ein Movement, was entsteht.
So erlebe ich das zumindest.
Du kannst auch nicht einfach so ein Training ausrollen und dann machen das alle, sondern es ist ja wirklich auch ein Umdenken, was erforderlich ist, was auch Zeit benötigt.
Und da gibt es immer so ein paar Pioniere, die dann andere mitziehen.
Was ich dann sehe, ist bei den Leuten, die das wirklich verstanden und für sich...
umsetzen, die fangen dann an, ihren eigenen Job zu zerlegen, gucken sich an, in meiner Rolle, was mache ich hier eigentlich, was sind meine Kernaufgaben, was davon kann KI heute schon ausführen, ohne dass ich da groß involviert sein muss, was davon, wo kann mich KI unterstützen, zum Beispiel bessere Entscheidungen zu treffen oder einen Anteil der operativen Arbeit in einer Aufgabe zu übernehmen und was sind Dinge, die ich weiterhin verantworten muss und was sind vielleicht auch Sachen, die ich jetzt neu machen kann, wenn ich die Zeit habe.
Und dann fangen sie an, diese Aufgaben in KI-Agenten zu überführen.
Früher hast du angefangen, dir dann ganz viele KI-Agenten zu bauen für alles Mögliche.
Heute hast du eher diese Struktur, dass du weniger Agenten hast mit Skills darunter, die auf den eigenen Kontext zugreifen.
Und die fangen quasi an, einer KI zu erklären, wie sie arbeiten.
Damit die KI diese Arbeit für sie ausführen kann.
Das ist so das übergeordnete Bild, was ich darüber setzen würde.
Macht das jede Person im Unternehmen, hat man noch nicht diesen, weil wir sind noch nicht bei den Prozessen, du hast dann erstmal Menschen, die in der verfügbaren Zeit deutlich, deutlich mehr Output erzeugen können.
Und die vor allem idealerweise, da gibt es auch ein paar Voraussetzungen, da muss natürlich dann gewisse Sicherheit geschaffen werden, weil niemand will sich selbst überflüssig machen, also dass die Zeit sinnvoll neu angesetzt werden können, dass es ein interessantes, attraktives Zielbild gibt für die Leute, wie sich die Rolle dann auch weiterentwickeln darf.
Aber es gibt in der Regel genug Arbeit zu tun.
Das ist einfach eine Führungsaufgabe, das zu managen.
Aber das ist so dieses erste Level, dass du die individuelle Produktivität auf der People-Ebene hochbekommst.
Ich habe da so ein paar Voraussetzungen hingeschrieben, vielleicht das noch abschließend.
Also erstmal brauchst du ein richtig gutes KI-Tooling.
Also wenn du dir da die IT irgendwie sich in zwei Tagen selbst was zusammengebastelt hat, wo noch GPT-4 als Large Language Model dahinter hängt und du eine PDF hochladen kannst, die 5 Megabyte maximal groß sein darf.
Jetzt lachen vielleicht manche, aber das ist noch die traurige Realität hier und da.
Dann wird das natürlich nichts, sondern muss schon so State of the Art.
KI-Lösungen anbieten, mit denen man gut arbeiten kann.
Gerade ist Claude die schönste Dame im KI-Wald.
Morgen ist es vielleicht irgendwas anderes.
Es muss ein Grundlevel an Kompetenz aufgebaut werden.
Das sollte auch unterstützt werden.
Einfach ein solides Enablement-Programm, was erstmal die grundlegenden Anwendungskenntnisse aufbaut.
Und dann ist halt, glaube ich, diese Kulturebene ultra wichtig.
Dass das vorgelebt wird von den Führungskräften, dass das gefördert wird, dass es nicht diese Narrative gibt vom Stellenabbau, sondern dass eher geschaut wird, wie können die Leute im Unternehmen auch einen größeren Impact haben, vielleicht auch spannendere Arbeit machen, also dass das rausgearbeitet wird und dass dann sämtliche Governance drumherum, insbesondere was erstmal so Richtlinien angeht, halt eher Klarheit schaffen und nicht alles Mögliche verbieten.
Weil dann, also natürlich immer im rechtlichen Rahmen, aber das blockiert natürlich auch.
Das sind so die ersten Checkmarks, die ich dort machen würde.
Okay, das heißt, das ist sozusagen der People Bucket oder die People-Säule, die Effizienzsteigerung beziehungsweise die Beschleunigung der einzelnen Mitarbeitenden.
Wenn wir jetzt auf die nächste Säule schauen, das heißt die Prozesse, wo sind da die Hebel?
Also was ist da AI first sozusagen?
Ja genau, also was ist das Problem auf der People-Ebene?
Was würdest du sagen, wo stößt das an die Grenzen?
Naja, ich meine, das ist immer organisationsentwicklungseitig, stößt du sofort auf Grenzen, wenn die Leute dazu keine Lust haben und vor allen Dingen, wenn die ihre eigenen Prozesse haben, die sie, und darauf kommen wir wahrscheinlich hinaus, die sie nicht unbedingt, die nicht unbedingt wiederholbar sind, die nicht unbedingt transparent sind und die ultimativ wahrscheinlich nicht mit AI abzubilden sind.
Also das heißt, das würde ich sehen, oder habe ich auch gesehen, sind die größten Probleme eigentlich.
Ja, man sieht und also wenn man sich anschaut, ist immer ganz lustig, wir mit Teams arbeiten, wir interviewen die dann und werten aus, was so die individuelle Produktivitätssteigerung ist und da sehen wir regelmäßig.
dass Menschen, die am PC arbeiten und so einen Wissensarbeitsjob haben, auf jeden Fall 20 Prozent, also einen Tag in der Woche auf jeden Fall, sich zurückholen können, indem sie KI richtig nutzen, den sie für andere Sachen einsetzen können.
Der wird frei.
Wenn du dann aber dir die Produktivität auf der Team-Ebene anschaust, dann könnte man ja sagen, dass zum Beispiel 20 Prozent weniger neue Leute eingestellt werden müssten in dem Bereich.
Das passiert aber nicht.
Warum?
weil dieser ganze Zeitgewinn oder vieles davon versickert in Prozessen, die einfach nicht für KI gebaut wurden.
Also die Leute sind zwar in ihren eigenen Aufgaben deutlich schneller, aber das, wie soll man denn sagen, dieser Zeitgewinn wird nicht durchgegeben durch den Prozess, sondern versickert dort, weil sie zum Beispiel warten müssen auf irgendwelche Freigaben.
Und das ist jetzt genau der nächste Schritt.
Und das ist dann das Schöne, deswegen auch diese Levels.
Das wird dann vor allem extrem bewusst und nicht nur auf einer, wie soll man sagen, so einer abstrakten Ebene, dass man sagt, ja klar, wir müssen Prozesse neu designen, wenn wir mehr Wirkung aus KI haben wollen oder einen größeren ROI sehen wollen.
Da sagt jeder erstmal, ja, ja, ist klar, aber was heißt das denn eigentlich?
Das ist oftmals gar nicht so klar.
Das wird dann aber sehr, sehr klar, wenn man sieht, dass die Leute super produktiv mit KI arbeiten.
Und wir aber kein Ergebnis in den Prozessen sehen, weil die Person schneller fertig ist und dann trotzdem zwei Wochen auf die nächste Freigabe warten muss.
Da hat man so ganz konkrete Beispiele in diesen Prozessen und kann auch dort ansetzen und kommt dann ganz natürlich so in diese zweite Phase.
Und weißt du, was ich auch gesehen habe übrigens in dem Kontext, was große Probleme sind?
Das sind einfach diese...
der Umstand, dass die TechStacks oder die Systeme, die Technologien nicht miteinander sprechen.
Das heißt, es ist ein zusammengeklebtes und getackertes Werk von zwischen SAP, Google, Microsoft, AWS, dann je nachdem, wie nur als Datenpro oder als...
Datenarchitektur-Provider, wenn du so möchtest, auch noch an Bord hast.
Das heißt, die Unternehmen haben zwischen 10 und 20 verschiedene Software-Provider, die halt nie dafür gebaut wurden, auch miteinander zu sprechen, die auch nicht dafür, also weder technisch gebaut wurden, noch ...
noch ist es gewünscht am Ende.
Ich meine, wir alle haben diesen Kompatibilitäts- Kopfschmerz, indem wir irgendwie ein Apple-Handy haben und der Kalender funktioniert so so lala verglichen mit Outlook, aber Outlook ist Microsoft, das heißt, da muss man dauernd irgendwelche Lizenzen kaufen, ist auch nicht gut.
Und diese mangelnde Kompatibilität sorgt dafür, dass eben auch in unternehmensweit AI auszurollen ziemlich schwierig wird und eben auch diese Prozesse miteinander zu verheiraten ziemlich schwierig wird.
Und diese Klebe sozusagen, die es da bedarf, die gibt es, finde ich, in der Form noch gar nicht.
Und das ist eben Teil der Prozessarbeit oder der Prozessmodellierung, die momentan stattfindet, um das in irgendeiner Form zu mitigieren.
Und da möchte ich auch nochmal in Klammern eine Sache sagen.
Es gibt Mitarbeitende, die nennen sich Glue Worker.
Und das sind nämlich Mitarbeitende, die zwar nicht AI First sind häufig, das sind nicht diejenigen, die irgendwie die ersten, die First Adopter sind und gleich irgendwie für sich selber mit Claw zu Hause irgendwie alles ausrollen, sondern das ist die Frau Müller, die in der Buchhaltung super mit der Frau Meier, die im Procurement oder so im Einkauf ist und die es auf einem kurzen Dienstweg, nämlich einmal über den Flur schafft.
Dinge zu erreichen, Prozesse zu umgehen und Freigraben zu bekommen, von denen du eben sprachst, für die andere drei Wochen brauchen.
Und leider ist es so, dass diese Glue-Worker meistens die ersten sind, die wegrationalisiert werden aufgrund von KI-Einsparungen, weil deren Produktivität nicht sichtbar ist.
Weil es halt nicht sichtbar ist, dass es nur zwei Tage gedauert hat, weil Frau Müller, Frau Meier gut kannte versus zwei Wochen oder zwei Monate, weil eben keiner niemanden kannte im Einkauf.
Das ist leider ein bisschen schade, aber das ist eben auch Teil der Prozesse.
Und du hast recht, die Prozesse sind halt bisher nicht für AI gemacht.
Und deswegen ist es momentan noch so, glaube ich, bis sich die KI dazu entwickelt, dass sie wie Menschen arbeitet, aber momentan ist es nicht so, wir diskutieren darüber ja auch jedes Mal, ist es so, dass man die Prozesse anpassen muss.
Aber wie können denn Prozesse AI-first modelliert werden?
Ja, also...
Erstmal geht es ja hier darum, dass wir, wie du schon anfangs gesagt hast, Prozesse beschleunigen können und einen höheren Durchsatz durch diesen Prozess hinbekommen, indem wir jetzt KI mehr Aufgaben in dem Prozess erledigen lassen, was vorher Menschen gemacht haben.
da ein Redesign zu machen, wie dieser Prozess AI-First auszusehen hat.
Ich glaube, auf einer hohen Ebene ja.
Im Detail sind viele End-to-End-Prozesse, gehen durch mehrere Abteilungen, sind X-Stakeholder drin.
Du hast es gerade schon gesagt, es sind diverse Systeme mit unterschiedlichen Schnittstellen.
Du brauchst ganz viele unterschiedliche Datenpunkte, verschiedene Outputs, die während des Prozesses erzeugt werden.
Also es ist überhaupt nicht trivial und so ein Process Mining oder auch Beratungen, die sich nur auf Prozess, also Prozessberatungen gibt es ja auch schon länger.
Aber das ist jetzt das, was alle jetzt machen wollen.
Also immer mehr Companies gehen jetzt von, ich gucke mir einen einzelnen Use Case an und setze den um, weg.
Und so, ich gucke mir diesen ganzen Prozess an und schaue mir an, wie muss der eigentlich komplett umgebaut werden, sodass KI möglichst gut dort Arbeit erledigen kann.
Und das Bild, was ich für meine Firma verfolge, ist immer eigentlich zu sagen, wie können wir diese Firma so bauen, dass KI darin möglichst gut arbeiten kann und nicht nur wir.
So, jetzt, und da komme ich gleich nochmal zu, was ich erkannt habe, was ein paar wichtige Punkte sind.
Wir machen aber mal ein Beispiel für so einen Prozess, dass das etwas greifbarer wird.
Also der normale Prozess ist Buchhaltung, Rechnungsprüfung.
Da werden die Rechnungen eingereicht von Mitarbeitern oder auch von Lieferanten.
Das ist Schritt eins.
Das ist jetzt natürlich auch simplifiziert, aber mal ein Beispiel zu haben.
Dann wird das gesichtet gegen verschiedene Richtlinien und es werden dann wird dann den Kostenstellen zugewiesen und bei Unklarheiten werden noch Rückfragen gestellt.
Ich glaube, damit verbringt die Buchhaltung heute sowieso einfach unfassbar viel Zeit, dass irgendwelche Sachen falsch eingereicht wurden.
Oder die richtige Kostenstelle da draufsteht oder gar keine Kostenstelle oder irgendwelche anderen Richtlinien, die eingehalten werden müssen, müssen im Rechnungsprozess nicht eingehalten werden.
Da werden Rückfragen gestellt, um diese Informationen einzusammeln.
Und dann muss eine Freigabe durch die zuständige Person eingeholt werden, damit es dann abschließend verbucht werden kann.
Das ist, glaube ich, so ein sehr klassischer Prozess heutzutage.
Wie könnte man da jetzt KI einsetzen?
Indem man zum Beispiel ein...
Agenten aufsetzt oder man hat einen Agenten mit unterschiedlichen Skills, wie auch immer, ist jetzt auch nicht so wichtig, wie dann genau die Architektur darunter aussieht, der die Belege und die Rechnungen automatisch einliest und sie schon den Kostenstellen zuordnet.
Wenn dort eine Zuordnung nicht stattfinden kann, weil die Informationen nicht vorhanden sind, automatisch diese Informationen einsammelt von den Mitarbeitenden mit verschiedenen Regeln, dass nochmal nachgefasst wird, bis die Informationen da sind.
Wenn das zugewiesen wurde, hat man dann nochmal einen weiteren Agent, der das prüft, auf Regelkonformität, also wurde alles richtig zugewiesen, weil das ist ja oftmals so ein Schmerzpunkt, dass Unternehmen unsicher sind, wenn jetzt ein Agent was gemacht hat, war das eigentlich korrekt oder nicht.
Da kann man aber eine extrem hohe Fehlerrate schon rausnehmen, indem man einfach einen zweiten Agenten draufsetzt, der dann nochmal drüber schaut und den Plausibilitäts- Check macht.
Darf ich einmal für Zwischenfragen, ganz kurz?
Wenn du das machst, ich weiß, du hast es bei dir selber ja auch so gemacht, wenn du das machst, nutzt du dafür zwei verschiedene LLMs, also zwei verschiedene Bots oder nutzt du da das Gleiche?
Also machst du da der Prüfagent sozusagen?
Ist das dann meinetwegen, wenn du beim ersten Chat-TPT nutzt, nimmst du das zweite dann von Anthropic oder wie machst du das?
Mal so, mal so.
Es kommt immer auf den Anwendungsfall an.
Also wir gucken gerade sowieso, dass wir die Kosten deutlich optimieren und nehmen da zum Teil auch Open Source Modelle, mit denen wir arbeiten.
Und das funktioniert gleichzeitig?
Also gleich gut?
Für solche einfachen Sachen, ja.
Also das ist jetzt eine Schwierigkeit.
Da reichen auch die...
kleineren, einfacheren Large Language Models schon längst aus.
Da brauchen wir jetzt hier nicht die großen Frontier-Modelle.
Es ist da überhaupt nicht notwendig, weil die einzelne Aufgabe schon super abgegrenzt ist.
Ja, okay.
Genau.
Und dann gibt es also nochmal einen, der das überprüft.
Alles, was Standardfälle sind oder durch diesen Plausibilitätscheck durchgekommen ist, da stellt man dann oft auch so ein Scoring ein und der Agent muss scoren, für wie wahrscheinlich hält er, dass das korrekt ist, wenn das über eine bestimmte Schwelle von zum Beispiel 95% gekommen ist, dann kann das freigegeben werden und dann kann das auch automatisch freigegeben und verbucht werden.
So könnte man es machen.
Das hängt dann von der Firma ab wie riesig.
affin sie da auch sind, aber in der Regel kannst du da vorher eine Testphase durchlaufen lassen.
Da siehst du dann, das Allermeiste wird halt korrekt verbucht und dann kannst du irgendwann umstellen auf den automatischen Prozess.
Alles was nicht durch diesen Plausibilitätscheck durchkommt oder Klärungsbedarf benötigt, wird dann einmal gesammelt im Paket an zum Beispiel einen Buchhalter weitergeleitet, an einen Menschen, der schaut sich das an, gibt das frei oder macht noch die notwendigen Anpassungen, die da erforderlich sind.
Und so hat man auf einmal, und das ist jetzt ein einfaches Beispiel, aber du hast einen Prozess, wo sonst viele Menschen involviert waren, wo es ständig zu Verzögerungen kam, weil die Informationen gefehlt haben, die mussten eingesammelt werden, da musste nachgefasst werden.
Du hast eine Freigabeschleife von irgendwelchen Managern, die das vergessen oder keine Zeit dafür haben und das auch eigentlich nicht machen wollen.
Und wenn, dann sowieso oft einfach alles bestätigen, zack, zack, zack, zack, oder auch manchmal Fehler passieren, alles rausgenommen und hast in der Regel eine robuste.
Prozess, mit einer höheren Qualität, wo weniger Ressourcen für notwendig sind.
Das ist ein Beispiel, wie man so einen Prozess sich anschauen kann.
Und das kann man jetzt, aufgrund der Zeit würde ich uns sparen, und du hast ja auch noch ein paar Beispiele in deinem Podcast, die wir besprechen werden, aber das kann man so auf unterschiedliche Prozesse, egal im Marketing, Vertrieb, Finance und so weiter anwenden.
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.
Ja, super interessant.
Also ich finde vor allem immer spannend, diese Guardrails beziehungsweise das konstante Checken von anderen Agenten, ob der Output korrekt ist.
Das finde ich persönlich am spannendsten.
Und ich habe mal Sascha Dewald, der CTO von der DKB interviewt.
Der war doch bei dir auch, oder?
Ja.
Genau.
Dann haben wir beide mit ihm gesprochen.
Und ich weiß nicht, ob er es bei dir auch erzählt hat, aber bestimmt.
Er hat ja erzählt, wie er mit verschiedenen Modellen...
den jeweiligen Output validiert.
Und das fand ich am interessantesten, ehrlich gesagt, weil die natürlich sehr in einem super regulierten Umfeld sind.
Und deswegen muss das Ergebnis als Bank, was dann gegeben wird, halt korrekt sein.
Und um auf Nummer sicher zu gehen, haben die eben für diese verschiedenen Agenten, die die Ergebnisse überprüfen, immer verschiedene Modelle genutzt.
Und das finde ich total, also ich finde es halt super interessant, weil diese Halluzinationsraten sind unfassbar hoch.
Also wenn man, normalerweise liegen die bei 70 Prozent, also bei den Unternehmen.
So they say.
Das heißt, man kriegt das halt mit verschiedenen Methoden dann runter.
Aber die gängigste Methode ist momentan eben noch, dass man verschiedene Modelle nutzt.
Und das mache ich selber auch.
Ich habe immer drei, vier...
Fenster offen und validiere Ergebnisse untereinander gegenseitig.
Ich meine, es gibt ja auch so, es gibt ja ganze Hubs, die verschiedene Modelle haben, wo man die Ergebnisse untereinander überprüfen lassen kann und so weiter.
Und dass das noch notwendig ist, finde ich erstaunlich, aber so ist es.
Also wir werden sehen, ob sich das in den nächsten Monaten beziehungsweise Jahren wirklich signifikant verbessert, aber ich würde es sehr begrüßen.
Aber gut, okay.
Aber jetzt unabhängig von den Prozessen und von den Menschen, was kann man produktseitig, was bedeutet AI first auf der Ebene?
Lass uns noch einmal, bevor wir da hinkommen, noch einmal kurz die Prozesse abschließen, weil was ist super, super wichtig, damit das klappt?
Weil man kann sich das natürlich, also den aktuellen Prozess anschauen.
Da fängt es schon an.
Der aktuelle Prozess, der muss erst mal definiert sein.
Wenn es den nicht gibt, dann kann man gleich KI mitdenken, aber man braucht ein gemeinsames Verständnis davon, wie hat denn dieser Prozess abzulaufen.
Und zwar sehr granular.
Also wann passiert genau was?
Wer macht das?
Wie wird das ausgeführt?
Welche Daten als Inputs sind notwendig?
Welche Daten-Outputs werden erzeugt?
In welchem Format müssen die weitergegeben werden?
Welche Schnittstellen in welchen Systemen sind notwendig?
Und, und, und.
Und da sind jetzt so ein paar Punkte drin, also erstmal diese Klarheit über den Prozess, damit der auseinandergenommen und neu zusammengesetzt werden kann, mit KI mitgedacht, Punkt 1.
Punkt 2 brauchst du die Daten natürlich, weil wenn KI nicht auf, also nehmen wir es mal hier in diesem Beispiel, sagen wir mal Die Rechnungen, die eingereicht werden, sind zum Teil digital und zum Teil werden mit einem Zettel noch irgendwo hingelegt.
Dann können natürlich das, was auf dem Zettel steht, wenn das nicht digitalisiert ist oder wird, nicht verarbeitet werden.
Also Daten müssen verfügbar, aktuell und zugänglich sein.
Und dann die Systemzugriffe.
Wir brauchen natürlich Schnittstellen, mit denen KI interagieren kann.
Das sind große Herausforderungen, was heute dazu führt, dass oftmals so kleinteilig bestehende Prozesse beschleunigt werden.
Besser als gar nichts.
Aber dass dieses Redesign vielleicht auf dem Papier gemacht werden kann, aber noch komplex ist in der Umsetzung, weil die Hausaufgaben auf der Daten- und auf der Systemseite einfach noch nicht da sind.
Unternehmen, die da ihre Digitalisierung gut gemacht haben, sind einfach voll im Vorteil.
Jetzt können wir viel, viel schneller.
Ja, auf jeden Fall.
All right.
Dann lass uns mal in die Produkte und Services reinschauen.
Das ist für mich die Champions League des Ganzen.
Weil, und wir haben die Erfahrung bei uns jetzt gerade selbst gemacht.
Wir haben natürlich sehr früh AI First gedacht und gearbeitet und uns damit selbst in unserer Produktivität gehebelt.
Wir sind dann in der ersten Jahreshälfte jetzt von diesem Jahr nochmal viel stärker in die Prozesse reingegangen, haben unsere ganzen Daten und Prozesse so umgebaut, dass sie möglichst gut von KI überführt werden oder ausgeführt werden können, haben das KI-Betriebssystem aufgesetzt als Grundlage.
Da haben wir auch in deinem Podcast schon darüber gesprochen.
Ich hatte hier auch schon eine Folge dazu, da gerne nochmal reinhören, wenn ihr das verstehen wollt.
Aber ich habe dann gemerkt, vor...
drei Monaten oder so, habe ich gemerkt, okay, man ist nie fertig, aber da gibt es jetzt nicht mehr so viel Potenzial rauszuholen.
Ich kann jetzt nicht noch schneller Angebote verschicken oder noch schneller Leads qualifizieren oder noch schneller Content erstellen oder so.
Ich könnte ja zwar immer mehr machen, aber man braucht nicht unbedingt immer mehr.
Die Qualität muss ja auch passen.
Also da geht mir noch ein bisschen was, aber das Potenzial war irgendwie gedeckelt.
Und dann habe ich gemerkt, wenn wir weiterhin mit der bestehenden Mannschaft wachsen wollen, dann geht das nur, indem wir an unsere Kernwertschöpfung rangehen, an unseren Kernservice, an unsere Kernprodukte, also wie wir Wert beim Kunden erzeugen.
Wir müssen es halt schaffen, einen deutlich höheren Wert pro Person für unsere Kunden schaffen zu können.
Und das geht zum Teil durch Prozessautomatisierung, aber vor allem dann, indem KI im Kern von unserem Produktservice eingebaut ist.
Und Probleme für den Kunden lösen kann, die sonst Menschen gelöst hätten.
Und ich glaube, dass das eine total spannende Frage ist, wenn man das nämlich gefunden hat, was haben wir an einzigartigen Erfahrungen, an Daten, Wissen, womit wir heute Geld verdienen und wie können wir dort KI so einsetzen, dass ein größerer Wert entsteht, ist das eigentlich der größte Hebel.
Wir wären da aber zum Beispiel nicht rangekommen, wenn wir nicht Level 1 und 2 vorher gut gemacht hätten, glaube ich.
Es ist immer die Produktarisierung.
Also am Ende ist es immer so, dass nur Produkte wirklich skalierbar sind.
Also was du gesagt hast, eure Rechnungsprozesse und so weiter, das sind ja am Ende alles Services, aber das skalierbarste, auch da, wo am meisten Wert zu hebeln ist, sind immer die Produkte.
Wo siehst du denn, in welchen Bereichen siehst du denn das größte Potenzial, so KI in die Produkte oder den Kernservice zu integrieren?
Nein, in die Produkte, natürlich, also ich persönlich sehe es in Pharma.
Wir haben ja gerade gesehen, dass KI sieben neue Viren quasi entdeckt hat oder entwickelt hat vielmehr.
Und da in der ganzen Wissenschaft, da sind die größten Hebel.
Das sind alles basierend auf großen Datenmengen.
Das heißt, Alles das, was uns Menschen halt in der Form nicht zugänglich war, und darüber dann neue Produkte zu generieren oder auch dieser Produkt-Lifecycle, das heißt, wenn es in der Pharmazie oder auch in der Medizin, wenn es zehn Jahre dauert, bevor ein Produkt marktreife erlangt, das Ganze kann natürlich mit KI, durch Simulationen und so weiter wahnsinnig verkürzt werden.
Und da ist es meines Erachtens, da sind die größten Hebel.
Das heißt, das Erschaffen und Erstellen neuer Produkte in dem ganzen Bereich.
Und darauf freue ich mich schon, weil das bedeutet, dass über kurz oder lang Menschen schneller wieder gesund werden, es neue Therapien geben wird und sich vor allem dieser massive Verbrauch von Ressourcen im Sinne von Energie für die Datencenter sich lohnt.
Weil ich finde, das ist eine sehr ethische Frage und alle gucken halt mit Erschrecken.
in den USA oder auch in Deutschland.
Ich meine, Deutschland hat die zweitmeisten Datencenter weltweit, nach den USA tatsächlich.
Und das bei unseren sehr, sehr hohen Energiepreisen, finde ich schon überraschend.
Nur das muss ich irgendwie rechtfertigen.
Und das Rechtfertigen findet natürlich nur über Fortschritt statt.
Aber dieser Fortschritt wird halt kommen im Sinne von neuen Produkten.
Und die sind hoffentlich zu Haufe in der Medizin.
Also da, glaube ich, ist der größte Ebel.
Und du, wie siehst du das?
Also, ja, sehe ich auch.
Ich habe nochmal so ein bisschen geschaut, wo das gerade schon passiert.
Professional Services, finde ich, Auf jeden Fall auch relevant.
Ich glaube, jedes Professional Services Unternehmen sollte sich ernsthafte Gedanken machen, wie sie KI in ihre Produkte oder Services gegenüber Kunden einsetzen.
Beispielsweise Kanzleien im Rechtsbereich, Steuerberatungen, da entstehen jetzt schon immer mehr.
Natürlich Software Engineering, also wenn ich heute ein IT- oder Softwaredienstleister bin, Software für andere Unternehmen baue, wie Wie schaffe ich es denn, zum Beispiel mein Erfahrungswissen, meine Methoden, meine Daten, die ich habe, so einzusetzen, dass ich Kunden etwas an die Hand geben kann, womit sie sich vielleicht auch selbst ihre Software bauen können.
Ich meine, das übernehmen jetzt die KI-Unternehmen, aber da können Dienstleister drüber nachdenken.
Marktforschung finde ich interessant.
Müssen wir wirklich noch Marktforschungsstudien mit 10.000 Menschen?
die extrem aufwendig, extrem teuer sind.
Oder können wir synthetische Personas über KI-Agenten erstellen, die verschiedene demografische Daten, Werte, was weiß ich was, simulieren und darauf, auf was auch immer wir erforschen wollen, uns dazu Insights geben können und jederzeit von überall zugänglich sind.
Das finde ich spannend.
Und dann natürlich auf der Produktebene.
alles, was Software ist.
Also jedes Software-as-a-Service-Unternehmen muss zu einem AI-first-Unternehmen werden und KI, genauso wie der Daniel Kaschab das von Schoko gemacht hat, in den Kern des eigenen Produktes integrieren, um einen größeren Wert für Kunden zu schaffen.
Da habe ich letztens mit 321MED gesprochen.
Der war früher Arzt und hat dann eine...
hat eine Softwarefirma parallel gestartet und baut jetzt das Betriebssystem für Arztpraxen.
Also die KI, die dort eingebaut ist, die kann Termine organisieren, die dokumentiert die Gespräche, die stattgefunden haben, leitet daraus wieder Aktionen ab, geht ans Telefon ran.
Also 360 Grad sämtliche administrative Prozesse, die damit erleichtert.
Das ist auch extrem erfolgreich.
Es gibt diverse Apps, die heute schon irgendwelche Fitnesscoaches per Handy auch schon sehr gut bereitstellen.
Ich habe mit dem eGym-Gründer gesprochen, die KI in ihre Trainingsgeräte reinbringen und das Trainingserlebnis personalisieren, basierend auf den Kraftwerten und Bewegungsabläufen und so, die der Kunde vorher hatte.
Also das sind ein paar spannende Beispiele, die ich da schon gesehen habe.
Ja, klar.
Also ich meine, ich glaube, es wird noch, es wird sehr viele Produkte geben, die uns völlig fremd erscheinen jetzt.
Und das wird, ich meine...
Gartner sagt, dass ab 2030 die Jobs, die durch KI geschaffen werden, die Jobs, die durch KI eliminiert werden, überholen wird.
Also das heißt, die beiden Kurven kreuzen sich sozusagen in vier Jahren.
Und ich denke eben, dass es ganz viel noch am Horizont ist, was uns noch, was gar nicht in unserer Vorstellungskraft liegt.
Ich persönlich freue mich drauf, weil ich glaube, das wird, es ist dringend notwendig, vor allen Dingen in Wirtschaften wie der Deutschen, die halt auf alten Geschäftsmodellen beruhen.
Also unser ganzer Automotive wird sich nicht lange halten können mehr in der Form.
Das heißt, irgendwas Neues werden wir machen müssen und ich glaube, KI ist dazu der größte Hebel.
Hoffen wir es, dass wir leben.
gezogen bekommen.
Wir fassen es nochmal zusammen.
Also bei AI First bedeutet nicht AI Always, sondern es geht darum, die überlegenden Fähigkeiten, die KI heute schon mitbringt, mit maximalem Mehrwert und Nutzen einzusetzen.
Und das, was wir heute tun, wie wir heute arbeiten, wie unsere Prozesse ablaufen, wie wer zum Kunden kommt, aus Perspektive dieser Technologie zu hinterfragen.
Könnt ihr auf drei Ebenen machen.
Ebene Nummer eins, People, also die Arbeitsweisen, die individuelle Produktivität zu steigern, indem das, was heute getan wird, insbesondere auch in KI-Agenten überführt wird und wir KI beibringen, wie wir heute arbeiten, damit sie uns dabei unterstützen kann.
Das zweite Level sind dann die Prozesse, weil wir werden mit der individuellen Produktivität an Grenzen stoßen.
müssen unsere Prozesse anpassen, insbesondere was Freigaben, Übergabepunkte angeht, damit wir einen höheren Durchsatz in den Prozessen erzeugen können.
Dafür kommt es insbesondere darauf an, die Prozesse definiert zu haben, die Systeme zugänglich zu machen für KI und die Daten so aufzubereiten, dass KI sie verarbeiten kann.
Und dann ist die Champions League KI in den Kern der eigenen Wertschöpfung in den Produkten und Services reinzubringen, um bessere Produkte zu einem besseren Preis an die Kunden zu bringen.
Das ist etwas sehr, sehr Individuelles, aber sich diese Frage zu stellen, kann ganz spannende Erkenntnisse bringen.
Wir sind da gerade selbst dran, aber das...
teile ich nochmal in einer separaten Folge, wenn wir einen Schritt weiter sind.
Aber es ist eine sehr, sehr spannende Entwicklung, auch gerade bei uns, wie wir unser Service-Business transformieren.
Ja.
Das war es.
Einmal AI First auseinandergenommen.
Ich glaube, und deswegen habe ich meine Company auch so genannt, dass diese Haltung, im Unternehmen zu etablieren, enorm wichtig sein wird, um in diesem KI-Zeitalter weiter vorne mitzuspielen.
Denn es ist ganz klar, wer diese drei Level, über die wir jetzt gesprochen haben, wer die schafft, für sich so umzusetzen, wird massive Vorteile haben gegenüber allen Wettbewerbern.
die das nicht tun.
Und ja, deswegen lohnt es sich, genau diesen Prozess auch anzugehen.
Super.
Also ich teile deine Meinung und auch diese Struktur.
Ich glaube, inzwischen ist das so die Läge Artis, wie man sich AI First vorstellt oder wie man auch Unternehmen transformiert am Ende.
Und jetzt sind wir hier am Ende.
Gedanken, Fragen, Kommentare, Ideen gerne hier kommentieren.
Wir schauen uns das an und morgen bei Tech & Tales reinhören, denn dort sprechen wir über ganz konkrete Anwendungsfälle, wie Unternehmen AI First ganz konkret eingesetzt haben in ihren Prozessen oder in ihren Produkten und was daraus entstanden ist.
Also gehen nochmal einen Schritt tiefer in die Praxis bei Elisabeth.
Genau, wir machen Case Studies.
Case Studies.
Nice.
Okay.
Dann bis morgen.
Bis morgen.
Ciao, ciao.