# Agentic Workflows for Product Management Strategy

**Podcast:** HMZE
**Published:** 2026-09-10

## Transcript

Ich bin ein bisschen envious auf Engenhez.
Du kannst all das, all das neue Hype-Stoffen.
Du kannst in Loop Engineering gehen, aber du hast ein Set von Agents, die anderen Checken gegen es, die dann garantiert in Brackets Qualität und all das.
Und ich habe, ich weiß nicht, für lange Zeit, aber ich habe auch, warum wir uns Produktions-Präsidenten nicht so arbeiten?
Ich würde gerne es gerne, Kind of a correct PRD.
Wir sagen immer in den episodes, wir müssen in sechs Monaten treffen.
Und heute, wir beginnen mit den Follow-Ups.
Und als der erste Guest, wir beginnen mit Markus Andretz.
Markus, für mich, ist ein der die Hauptleaders auf Produkt-Management in Deutschland.
Und er hat viel gemacht in der Art von AI in seinem Arbeit auf Produkt-Management-Strategie, aber auch in general.
C-level management.
And while last time we were talking about that we're all tinkering with AI and seeing where it goes, by now his tinkering has evolved into a 12-week training.
And I have recently talked to someone who said that this training has transformed the way he does his product management work.
And also into a very formalized approach on how to set up agentic workflows.
This is actually a must listen for all who want to move past the simple chat window.
So buckle up and listen in.
Welcome, Markus, to our podcast the second time, as mentioned already.
And for all those who haven't listened to the first episode or don't know you, please introduce yourself to our listeners.
Ja, ich bin Markus.
Ich bin der Chef der Überprodukt, ein Produkt- und Strategie-Konsultancy-Small-Boutique, das ich hier für den zweiten Mal.
Aber erst einmal, ich möchte Ihnen auf Ihren Evolution auf einen Sponsor, einen großen Aufmerksamkeit und all das.
Und zu English und all das.
Das ist das nächste Level, das nächste Mal.
Cool.
Und danke für mich wieder.
Danke, Markus.
Heavily inspired by you.
You're having one of the longest podcasts that I'm listening to, to be very honest with you.
And I always enjoy every episode.
So let's get into the normal episode agenda, right?
So last time you already explained a little bit how you are working currently, but I'm pretty sure it has evolved.
So maybe, yes, please tell us what your status quo is right now, what you use for your work and how you work in general for your daily activities.
So basically I think it's two different areas.
So one area is giving trainings on AI together with product management and strategy.
And the other one is managing my own small company with that stuff.
And the tech stack didn't change that much.
So I'm all into cloud code still.
Und nicht mit Co-Work ist zu confusing, was ein Projekt ist oder nicht.
Was ist das, was es für mich ist, was es für mich ist.
Ich weiß nicht, was sie machen.
Ich habe die eher Hardcore-Code-Code.
I did switch to the desktop app and, you know, all the connections it has via iPhone and all that stuff.
So I'm using it heavily also like, I don't know, when I'm walking the dogs and doing stuff, like I'm always having the sessions open at home and that.
Also, maybe a little bit of what I didn't do, you know, you have all the new product features which are going into the loop development for developers, which I cannot use.
für gute oder gute Reasons- oder schlechte Reasons- oder auch diese mehr, wie soll ich sagen, mehr directed und weniger random Workflows, die ich jetzt noch nicht in Wispur, was ich meine nächsten Target habe.
Weil ich sehe in Routines, dass die Dinge, die Sie als Routines in den Tools, nicht so prädiktiv all der Zeit.
Sie beginnen mit den falschen Skills, Sie machen was sie, was sie wollen.
Finally, the outcome is most of the time fine, but I'm getting nerve attacks when I see them working.
And the randomness is just making me cry about parts of the technology.
So I'm a little bit disappointed also with the latest.
I think it's not just the models, but also the integration of the harness in Claude with the models.
Everything that annoyed me with OpenAI in the beginning, which made me switch to Claude, is now happening on Claude.
So moralizing models, telling you what to do, what not to do, judging your behavior, making assumptions of what you want, where actually I had a high opinion of them because when I started with those models, they just did what I told them.
And I think now that the whole theory, At Antropic and Boris Chaney, all these guys, run long-running models.
They should run the whole night.
You should give them complex tasks.
You shouldn't intervene at all.
I think all of that leads to models with personalities, which leads to them mimicking humans, which is just not what I want.
And it turns me away a little bit.
So I'm doing my trials with Codex at the same time.
And surprise, surprise.
Oftentimes I get...
better results, more straightforward with Codex right now.
But I'm not committing to a huge complete switch.
So that's what's changing.
In regard to models, you're making use of like Fable 5 and like better models?
Yeah, everything.
I'm doing a lot of experiments.
Confessions, of course, that my work is not developer work, so I'm doing different things.
I depend heavily on the language that is generated and there's no real good way, despite all the talk and the internet, to make it talk like you.
It just doesn't watch these rules and whatever you set up.
It's just doing whatever.
So for a lot of stuff that needs to generate language for me, I'm looking for a model that is not...
that pompous, not that, I don't know, like grandiose and everything.
Like the newest models are always like, sometimes I don't even understand the language because it's so elaborate, the language that I, what are you talking about?
Please explain what you're actually, oh yeah, sorry, I'm reducing it to the meme.
Yeah, thanks.
And it's getting so verbals and everything.
And I think all of that is a consequence of the mindset of the people creating these models, which I think like, They should be more human, they should do more decisions, they should be long running, you shouldn't intervene, they are so smart, they should have human-like behavior, and I just hate it.
And like when I look at the Sol models on the OpenAI side, they are not there yet.
Maybe they want to get there as well in that competition or not, but right now the language is better, the results are more straightforward, and I think it's much more easier to cope with those models.
Aber wer weiß, was wird passieren.
Aber das ist die Hauptsache, was ich nachzudenken.
Ich höre ein bisschen über Ameris Law hier.
Du hast gehört, dass es in einem letzten Spiele, wo wir über die Auslösung über die Short-Term Perspektive und die Long-Term Perspektive überestimating.
Nicht Perspective, aber Impact, ich denke.
Ja, absolut.
Und was ich mache, ich weiß, dass alles, was ich auf alle verschiedenen Infrastrukturen arbeiten.
Also, ich habe eine Client, die muss das Thema arbeiten.
Github Copilot.
Alles, was ich mache, ist alles, was auf alle Plattformen.
Und, surprisingly, alle Plattformen, except...
Claude, are reading all these things, no matter if it's called ClaudeMD or AgentsMD in whatever the setup is.
Claude is neglecting AgentsMD out of any vanity, I guess.
And surprisingly, most of my work, everything I just said is totally irrelevant because once I'm in automation, everything just works.
It's just when interacting with the human that these models go haywire.
I don't know.
Once you set them on a directed path, it's all fine.
And that is something that's not about the tech stack, but something I found out in the last couple of months, probably.
I'm a little bit envious on engineers.
You can do all that stuff, all the new hype stuff.
You can go into loop engineering, but because you have a set of agents creating stuff and the other one checking against it, which is then...
guaranteeing in brackets quality and all that stuff.
And I thought, I don't know, for a long time, but I thought deeply about like, why can't us product people work like this?
Like, I would love it to have kind of a correct PRD or whatever, you know, a correct strategy document.
And it turns out we never did the work.
Like engineers did, I don't know, probably 60 years of work on working on linters on, you know.
Making sure that the classes are correct and whatever.
We never did this.
And I think part of it is because it's not possible.
You can prove your PRD is right.
There's like you can have a hundred correct PRDs in parallel.
But I think we're also lazy because parts of a PRD could be proven.
Like, is it customer focused or not?
Like the assumptions you're presenting in your PRD, are they actually based on something that people said?
Or are you making stuff up right now?
Which humans do as well, as much as an AI?
And I had a long conversation with Dr.
Elsa van der Beek in one of my podcasts where we went deeply into that, where we said, like, my observation, and that's a little bit terrible, is that agents are actually at least as good in analyzing interviews as humans are.
Like, in reality.
Like, in theory, it's like, Probably there are people out there, ethnographers, which are so good in interviewing and analyzing interviews that they are the cream of the crop.
They win.
But in real life, when I'm talking to product teams, who is really good in analyzing interviews?
The real world example, it's not that good because people come with biases as well.
So whenever I look at the results of my agents in doing user research, They're not that bad.
I'm not praising my agents per se, but the way they work and everything I just said, I can build.
I can build into a PRD.
You're saying this.
Where does the assumption come from?
Where is the quote you took it from?
Which person said it?
Which of the 20 people we interviewed had the same sentiment?
How do you get to the analysis that that sentiment exists?
So you have a complete trace of Das ist ein bisschen zu sehen, wie das in der Entwicklung der Angelegenheit ist.
Das ist eine Sache, die wir in Produkt-Management brauchen, mit all diesen Agents augmentieren.
Wir müssen die Verrückung der Verrückung, also müssen wir unsere Verrückung der Verrückung nicht machen, weil wir uns nicht machen, weil wir uns nicht mehr machen.
Wir sind vollständig, Verrückung, all das, und Prejudice und all diese Dinge.
Und das ist die Spaß.
Ich denke, dass die Grunde der Grunde in Produktwerk ist eher die human element, wo jetzt wir sagen, oh, judgment, decisionen, direction, das ist die letzte.
für Produkt.
Aber wir sind nicht so gut in es, weil wir nicht mehr über die Veränderung haben.
Wir sind nur über die Meinung und Biasen und all das.
Und es shows.
Ich weiß nicht, du kannst du den Beispiel.
Da ist dieses Guy, der in seinem Karriere arbeitet, wie wir uns auf unsere Assumptions als Produkt Managers haben.
Kohavi.
Und er kam mit diesen Nummern über Microsoft.
All die Sachen sie testet in der Führung, aus dem ein paar Teil der Dinge haben, positive impact, a third has no measurable impact at all, a third has negative impact, which is basically throwing the dice.
So that is what we as product managers, probably not the worst ones at Microsoft, are doing.
We are basically throwing the dice because we don't have a crystal ball.
So the hurdle for the agents to be better than that is not that high.
Und ich denke, das ist total interessant.
Und dann die Jungen sagen, und das ist das all die Produkt-Community-Signal-Leftige sagen, die letzte Frontier ist unsere Judgment und unsere Taste.
Ja, aber was ist Judgment?
Was ist Taste?
Und du willst du wirklich auf Taste als das Ding?
Du willst du mit dem Bewertungs-Masuer?
Du bist der PRD von Wissen ist als ich.
Was bedeutet das?
Es ist auch ein schönes Argument, bei der anderen Seite.
Was ist deine Meinung auf Synthetic User Research?
Ich sehe das ein bisschen als ein Trend.
Du hast nicht Leute, du hast die Agents.
Und sie sind eher simulatisch.
Your personas, your crowd.
So is that something where you're what you believe in?
Now it's getting really funny because if you think about that really famous tool, which is an outcome of user research, which is the persona, the number one sentence I always said to people is a persona is not a mirror of a real person.
It's always a synthesis of user research.
So the word synthesis is in here.
Now, the question is, is that a bad thing?
Probably not.
So personals are a really established tool of user research, of documenting a specimen, an idealized maybe specimen of these are the people we work for.
Totally cool.
Of course, like the root of that research and synthesis is real people in the ideal.
Wenn du auf Personals aufhörst, aufhörst, in offices, wie ein huge Journal Publisher war, das war vielleicht die worst Erfahrung mit Personals, aber ein ziemlich typischer Typischer.
All die Personals auf dem Walls looked wie ihre Freunde, die Produkt Managers sind.
Und ich war mir, diese Leute sind einfach wie die Leute mit dir leben.
Es ist deine Peer, es ist deine Bubblik.
Ja, das ist Hans.
Aber wer sind die App für?
Und dann, was die average age von einem Reader aus dem alten Publikation in Deutschland ist?
Well, das Person ist mehr oder weniger mein age, wie 50.
Was sind Sie?
So in theory, Synthetic Research sollte worse als gut User Research, done on real data mit realen Menschen.
In reality, wenn das die Trigger, um die Organisation zu bekommen, User research at all and get to a certain level at all, be my guest.
And then it's really, really hard to improve on that data.
And then in my experience in organizations, most of the time, the real deep user research is, and also when they're contracting outside companies, it's the first thing that is thrown outside of the window because of pressure, too much things to do, whatever.
Wenn die Wirtschaft, die erste Leute, die sind aus der Winde, die sind die realen ethnografischen Erfahrungen mit realen Erfahrung und realen deep User-Research.
Und die ist die Produkt-Manager-Manager-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Siege-Sie Ja, aber du hast ein PRD.
Based auf Interviews, hier ist es.
Wenn du es möchtest, mach es besser heute.
Es ist gut, aber du kannst es besser heute.
Es ist die same mit User Research.
At least jetzt du hast User Research.
Und da sind viele Leute in der Welt arbeiten auf Software, die können real well in Informed User Research machen.
Vielleicht die letzte piece ist, eine Alternative zu tun, dass auf Agents ist, Hiring agencies like McKinsey or smaller agents who are doing table research for you on what is your market, how do people behave, what are studies around it, that costs a ton of money.
And what that costs, you can make up in agentic work, research and all of that stuff like crazy.
You know, have them work for two hours and the results are astonishing that you're getting.
So that's where I'm coming from.
Und die generell pattern, dass ich es, dass die Leute romantisch die Arbeit, die vor Agents war, und haben so eine idealistische Sicht, wie groß die Qualität war.
Mein Job war immer, dass die Produkt-Departements nicht so groß machen, nicht weil die Leute die Leute nicht so groß sind, nicht weil die Energie nicht so groß ist, sondern weil die Umwelt nicht so groß ist, weil die Umwelt nicht so groß ist.
And now stealing a little time of agents to improve the level of work.
Why not?
Again, be my guest.
Whatever tool helps the product department to be better, I'm fine.
So that's where I'm at.
100%.
So where we started off last time was that we all need to tinker, right?
Because everything is so new.
We need to tinker.
We just need to get our hands dirty in order to just start doing it.
The tinkering has evolved quite substantially on your side, right, Markus?
Hence, what I think would be really interesting to our listeners would be, how would you say the AI-native product manager and or the AI-native C-level should work today?
So how would you do this if you are...
Pretty much in this role in a company, how would you set up your context and what would be your routines?
What would be workflows that you're running?
Yeah, I think this would be a really interesting continuation of our first discussion.
Yeah, maybe first a general remark.
I don't think that the tinkering evolved everywhere.
I think...
You know, the old William Gibson quote is still valid that the future is very unevenly distributed and it was never as unevenly distributed as right now.
Where on one side of the polarization, yes, the tinkering has evolved immensely.
We can talk about this in a minute.
On the other side, there's still, I think, 80% of people and companies out there who still need to start tinkering, as we said last time.
And the gap is widening insanely.
Das führt zu vieles politischen Diskussionen, wie die Leute nicht glauben, dass die Tinkerers auch nicht möglich sind.
Und die Tinkerers sind ein bisschen mit dem anderen nicht, und sie leben in ihrem eigenen Bubble und all das.
Und das ist tatsächlich die Hintergrund meiner Meinung nach, was wir können?
People to start actually tinkering, but with some experience already from you put in there.
So what would be a good starting point for people to actually kick start going?
Yes, kick start.
Yeah.
So what I actually do with people is I steal time from the organization to actually sit people next to a laptop and just do anything I did maybe half a year ago or so.
Aber einfach nur für ein paar Jahre.
So alles, was ein Experimental ein Jahr ago ist jetzt völlig bulletproof und funktioniert und ist zu beacceptet und ist high-quality und ist reliable.
Und ich würde, für zum Beispiel, Produkt Managers, durch die basic examples, wie set up ein Routine, die, für zum Beispiel, die Stakeholder Struktur, die eine sehr interessante Funktion.
Wenn du ein Produkt-Manager-Trainern, alle, alle, die Sessions, die Therapy-Talken, wie du mit deinen Stakeholder-Tagelang hast, ist es nicht über die Tools, wie du mit den Tools hast.
Es ist eher ein Interpersonal-Problem, aber wo es startet ist, dass es auch Kraftwerks-Tagelang ist.
Wer sind deine Stakeholders?
Was sind sie?
Was sind sie?
Was sind sie?
Was sind sie?
Was sind sie?
Was sind sie?
Was sind sie?
Was sind sie?
Was sind sie?
to actually be able to deal with those 38 stakeholders.
Who of them needs a one-on-one treatment?
Who of them needs a weekly update?
Who of them needs just a monthly update?
Maybe just a five-minute video.
And maybe you can cover 20 of them with just a short video.
Fine.
And for example, I have a skill which does nothing else than strip everything from your Slack and emails and just creates a stakeholder map for you and suggests.
Stakeholder communication channels.
And if just every product manager would do that, they would be fine.
Because if you have the craftsmanship and the structure down, dealing with those more complicated one-on-one stakeholders, which need one-on-one touchpoints, that's not a huge deal.
Because you don't spend time anymore on the 21s, which get a five-minute video every month from you.
Das spricht viel über die Werte, wie Transparenz und all das.
Das ist etwas, ich würde sie zeigen und sagen, gib mir deine E-Mails, gib mir deine Slack und wir generieren es.
Und dann haben wir eine Re-Review auf was, was geht.
Und das triggert in ihnen die Urge zu also tinker along.
Das war die Frage.
Ja, so let's double-click on this for a moment.
So you have a skill that actually, so you give pretty much Claude access to email and Slack, right?
And then you have a skill that pretty much goes through the messages, through your inbox probably, right?
And then assesses the different people that are in touch with you and then figures out pretty much what kind of stakeholder they are.
Is this...
Ja, ja, totally.
Und also die Charakter, die man immer spricht, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das, man muss das Das ist ein super-simple, stupid-ticket.
Wie soll ich diese Dinge machen?
Ich sitze an meinem Laptop, habe Whisperflow auf, habe es auf jeden Fall gesprochen, und dann sage ich, hey, Fable, Claude, was es geht und dann kreate die System.
Ich testate die System ein bisschen und dann gebe ich zwei Iterationen und dann bin ich fertig.
Und dann bin ich der Outcome, für zum Beispiel, wenn ich sage, ich sage, ich sage, ich habe eine nice HTML-overview.
Die Personals werden dann ausgedrückt und dann zeigen sich das, wie ich meine Woche habe, wenn ich so wie ich so mache.
Wie viel Zeit habe ich außerhalb der Stakeholder-Management, wenn ich so mache, und all das andere Sachen mache.
Und es ist ein hours work.
Und es ist ein repeatable System.
So, wenn ich ein neues Unternehmen möchte, ich könnte das Ding auf und haben meine Stakeholder-Map in, wo andere Leute sind.
Aber sie werden es nicht getrennt.
Sie werden nicht da, denken sie es wirklich kompliziert, es wird es sich immer wieder ansehen.
Jesus Christus, einfach mal.
Das ist auch gut.
Das ist auch gut.
Das ist auch gut.
Ich habe eine Art von einem Beste, einem Teil der zwei oder drei Stunden, wo es in der Kampagne-Kampe-Strategy geht und ein Potenzial-Angle geht.
Und dann geht es all die crazy Web-Research und kommt mit einer Diskussion.
Two or three discussion rounds between CTO, CPO, CFO, CEO.
And as an outcome, it comes up with what is the business case?
What are the technical dependencies on the solution we want to go for?
And people I consult, I also have some coaches which have a small side business.
They look into that stuff and I never see them again for half a year because what they're saying is like the one hour analysis you did with that stuff.
Es ist mir genug zu arbeiten mit meinem kleinen Start-up für die nächsten zwei Jahre.
So, ich habe es wieder in einem Jahr zu reden, wenn ich einen Kurs-Correter habe.
Und all das ist so verrückt.
Ich bin ein Genie in dem das.
Ich mache sehr, sehr viel Dinge.
Die einzige, die sich differen, ist, ich versuche, die wirkliche Dinge mit den Agents zu tun, und dann schaffe ich es.
Es tut mir sehr gut.
Es tut mir sehr gut.
Und ich denke, das ist das Outlook, das die Leute können auswählen, von dieser Gespräche.
Das ist wo die Tinkeringe muss jetzt.
Die Basis sind, was es zuerst die Zeit für mich?
Und dann, was es in den Ägern?
Aber dann, also, du musst dir auch, was das System einfach nur helfen, die nächste Meeting, weil es alles über meine Umwelt kennt.
As a COO, what are my three most pressing topics?
And it's a no-brainer to build that system.
And it's a no-brainer to then set it into routines, which do that regularly for you and all that stuff.
So that's where I see management, product management going.
Basically, somebody needs to build that interface into your company where like, yeah, my task is moderating, facilitating meetings.
These are the kind of meetings.
You give some input and then You get it all figured out.
And of course, there's always, with all these things, there's always the last accountability with you.
So you have to judge it, have the last edit and everything.
But you can get so far with overview because as humans, we are so bad with details and having overview in the ever-changing context.
I mean, you guys know it better than me.
You are working in companies which are really complex and changing every week.
You know how overwhelmed you are.
The agents are not overwhelmed.
Collecting details to make suggestions to you, like what you should actually devote your time onto, is a piece of cake for them.
And then you can make the judgment which out of the five topics you actually choose and leave on the side.
And that's what I think management needs to go with AI.
I absolutely agree to your view.
If I ask why that is the case, I'm always ending, and this is not, like, you can also add personas to that.
So there is a group, and unfortunately this group is pretty large, which can't imagine what is possible.
Or they can't really define how they want to, they can't envision how that should be solved, right?
They think they can't believe, or they do not know how to solve that, and because they don't know, The agents can't as well, or they can't define what is needed.
So I see a lot of, and don't want to be negative here, too negative here, but I see little improvements, little automations, but not the automations which are really taking the work from your table and focus on what is really, what requires human.
So you have, first of all, would you agree?
And second is, You have maybe a hint because you have seen different companies like is there a secret sauce to solve that?
So I think the first part is and you're totally right in that it's a touchy emotional topic and not to be taken lightly.
I think a part of it is still a very romantic idea of a certain human exception which goes too far.
I think we Ich denke, wir sind nicht so sehr, in vielen Regards.
Zum Beispiel, die Erinnerung der Details und all das.
Also, wir haben alle die Zahlen, dass wenn ein Auto ist und es gibt fünf Wissen, dann werden wir sehr konfliktig darüber nachdenken.
So, Menschen sind eigentlich 80% Tier und 20% wie rational als wir denken.
Aber wir denken wir sind viel mehr rational, wir denken mehr.
Wir sehen uns das in der Romantik, die wir eben schon erwähnt, wie die Welt war, bevor Agents kam in.
Das führt zu einem zweiten Punkt, die Menschen einfach nicht wollen, dass das speciale Sorte ist, das ist das Problem, das zu den Entwicklern.
Und es gab das Zeit, die Sorge und Sorrow.
Well, I lost part of my value and a lot of my skills totally lost value.
And I totally understand that people need to go through that phase.
But on the other hand, an organization doesn't have time to go through that phase.
So somebody in leadership needs to say like, we don't give her.
We just go on.
We take it for granted.
Wir wollen alle die M-dashs aus den Geräten gehalten.
Wir wollen sie nicht alle sagen, dass sie andere Leute das ihre AI ist schlopig, aber ihr ist gut, weil ihr gesehen, wie es war, aber ihr gesehen habt, die anderen.
Das wird die Arbeit wir zusammen tun.
Und vielleicht ist das letzte Social Observation, ich kann es share.
Ich bin jetzt quiet, weil ich auf LinkedIn bin, aber wenn ich auf LinkedIn bin, und wenn ich über was, was ich über was, was ich über was, was es funktioniert oder wenn es einfach nur economic pressure war.
Ich bin etwas, was ich einfach nur research.
Und ich bekomme viel flack in personal messages.
Oder ich kann es sagen, dass er, dass er die Haltung-Problem war.
Nein, ich habe das nicht geschrieben.
Ich habe das wirklich viel Arbeit, wenn ich diese Kommentare bekomme, um zu finden, was es zu finden, nicht weil ich mich offended oder was ich, sondern weil ich wirklich verstehen, was mit Leuten mit ihnen geht.
Und was immer 100% der Fall ist.
Wenn ich mich, warum du das geschrieben hast, ist es ein sehr unfriendlich Kommentar zu mir, die ich mir gemacht habe, also völlig unconnected zu etwas, was ich habe.
Ich möchte, was ich zu verstehen.
Und dann die erste Antwort ist, ich liebe diese Hypede-Artikel.
Ich bin mir, was die Hype?
Ich habe die Hype-Artikel geschrieben, wie die Hype?
Ich habe die Hype-Artikel geschrieben, wie die Hype-Artikel geschrieben.
Ich habe die Hype-Artikel geschrieben, wie die Hype-Artikel geschrieben.
Traffic lights, automated.
That's the example.
What's hype about this?
What do you mean?
Do you mean what I wrote?
Or is that the general idea of AI and all that?
And it turns out that people have nothing in their hands.
It's like, no, yes, you didn't write it.
Yes, it wasn't about you.
And I'm fine.
I'm not even angry about it.
I get it.
And again, where does it come from?
And now we're getting to the point.
People who always sit in a chat window do not know what's happening the moment that you use that stuff in an organized thing.
And that's actually what I try to do in my courses and whenever I interact with people.
I'm trying to tell them the stuff that you digest for breakfast, for example.
When you have to do engineering, you can't just copy-paste stuff from a chat window and then think that you have good code.
You really need to set up the harness, blah, blah, blah, systems, directory structures, whatever.
And that's what I'm doing in my work.
Like I have a directory in which I collect the static context I have.
Like, who am I?
What is my task?
What is the client?
Blah, blah, blah, all that stuff.
And then I pull in through MCPs or whatever, more dynamic content.
And I always follow three steps.
was die valuable outcome I want to produce with that small little system of agents right now.
Then I describe it as well as possible.
That's step one.
Then, what context, what knowledge do the agents need to have to do that in a good manner?
Which is basically, what would I need to know to be able to fill that task?
Then I try to grab that context, push it into...
You know, that folder or anything.
And then the third step is like, hmm, that seems to be a pretty daunting task.
It seems to be really big.
What are sub-steps to that task?
And then I describe the thing.
Oh, what about you try it like this, that, that, and then you try to do that and then that.
And, you know, then you have a conversation between these people or whatever.
And basically what I do is simulate workshops and, you know, whatever.
And then the agents do and talk and, you know, fight each other and whatever I tell them to do.
Und diese drei Schritte sind alle die Unterschiede.
Und wenn ich das zu Leuten in meinen Kursenzeige, das ist die Konten von Woche 1.
Was ist die Struktur?
Und das ist die Kontext Engineering.
Und wie ich gesagt habe, es ist nicht so weit wie du als Engenheer auf dem Frontierer auf dem Weg.
Aber das ist genug für Knowledgewerk.
So ich zeige ihnen diese Prinzipien.
Und ehrlich gesagt, alle die Kommentare kommen aus Woche 1, sind sie wie, oh mein Gott.
Ich kann nicht glauben, was ich sehe.
Die Ergebnisse sind so gut.
Es macht all die Unterschiede.
Jesus Christ, wie Sie das tun?
Und dann sehen Sie die einfachen Dinge, die ich mache, wenn ich sitze da und setze es auf live in einem halben Stunde, mit diesen Agenden und so.
Das ist wirklich einfach.
Und dann sehen Sie die Qualität, die es mit diesen System gibt.
Und ich denke, das ist das wir, wie wir tun tun.
Showen die sehr wenige Prinzipien, machen es digestible, machen es repeatable für sie.
Make it approachable.
And that's all I'm trying to do with people.
Lower the bar, make it all totally accessible to people.
Because the technology is not hard, but the hurdle to first try it is hard.
But then after week one, all the courses are just free play, basically.
People are then coming up with, I'd like to see that example.
I'd like to, yeah, go ahead, do it.
Show the example.
And then we share experience and stuff.
Dann alles ist passiert.
Es ist das erste Moment, wo Menschen wirklich brauchen, was es möglich ist.
Ich denke, diese sind die zwei Dinge.
Show sie was möglich.
Get ihnen das aha moment.
Let sie be totally critical.
For example, show sie die PRD und sie sind nicht gut.
Und dann show sie die PRD.
Das ist dann, was in diesen Interviews.
Es ist high-quality.
Ich habe nicht gedacht, dass das.
Und dann zeigen sie, wie easy es war, und geben sie die Tools, ich denke.
Und das ist wichtig.
Und wirklich, in all die Gespräche, ich sage, dass ich diese negative Kommentare bekomme, von der ersten Sitzung auf kann, dass diese Leute nie touchen, das Level von AI-Work.
Ich gebe dir einen sehr konkreten Beispiel.
Ich war in der Konferenz und habe meine Talk- und alles.
Ich weiß, dass man ja, aber man kann es nicht generalisieren.
Und mit AI wird alles verletzten und es wird wirklich schützt.
Und man kann es nicht mehr als Produktion-Code sein.
Ich weiß, dass nicht sehr scientifisch ist.
Wenn man read und man kann, dass es ein Weltraum ist, dass es totaler Worte von Produktion-Grade-Code ist.
Und du musst mir nicht glauben.
Aber es ist sehr gut, es ist wie, nicht jeder von diesen Leuten kann lieben.
So, du kannst das, dass es möglich ist.
Wenn du sagen, dass du nicht believe es, dann bist du nicht, wie du es sagst, ist, dass du nicht wie es.
Total ist, wie du es zu verstehen, dass es nicht möglich ist, per se, wenn du see documenten cases, dass es möglich ist.
Ich kann nicht ein Marathon in zwei Stunden, natürlich.
Aber ich weiß es möglich.
So, sagen alle diese Leute sind scheitern ist einfach stupid.
Es macht keinen Sinn.
Nice comparison.
Ja, es ist einfach.
Ich habe aus Chamonix und ich mache trail running.
Und ich war über alle diese Idioten, die sind so fast.
Ich kann nicht glauben.
Jan Foden ist da jetzt.
Was er gesagt ist, Wenn er auf den Trails ist, er ist sicher, dass er nicht die gleiche Trails sieht.
Weil er kann nicht imagine, wie diese Leute so schnell auf den Trails fahren ohne die Trails ohne die Legen zu brechen.
Ich war auf die Hillen, oder nicht, ich war auf die Hillen und da waren Handrails, weil es so steep war und ich war panisch, dass Handrail das Handrail.
Nach mir war ein Chinese Elite-Runner und er war auf die Same-Würfe.
Totally tightropping, not holding the handrail at all, just like in a dream going up there.
I'm like, what the hell?
How is this possible?
And I saw it in that moment.
It was just too degrading for me to believe that it's possible, although I saw it.
That's the same effect with AI stuff.
Anyways, coming back to that person that came up, it destroys everything.
What makes you believe it's not possible?
Well, one of our developers is using AI and he's never testing stuff.
Was ist das nicht ein Grund gegen AI?
Was du sagen, dass du eine sch***te Entwicklung-Infrieren in der eine Person ist, dass eine Person nicht in der Zeit zu checken, dass sie nicht alles in der Zeit machen.
Und dann, wenn eine dieser Leute an diese Leute an sich an einen A.
Was ist das?
Das heißt, dass das eine Art von diesen Leuten, die sehr talented sind, die sehr devoted sind, Borges Cheney, er war schon in den Automations-Beschichten, und was er nicht magisch.
Aber es war einfach für 10 Jahre, die Automations-Beschichten, jetzt der Wizard ist in der perfecten Kombination mit dem neuen Technologie.
Er ist jetzt, ha ha, Automation, be mein Guest.
Natürlich ist er auch weiter, so dass er sich an Models zu entwickeln, die ich nicht benutze, weil es ist für seine purposes, nicht für meine.
But the verdict is out there.
This stuff is working.
The question is, do you want to learn it or not?
And as engineers, do you want to do the engineering work on the infrastructure that you have to harness that is actually ensuring the quality for me as a product manager?
Do I want to do the work and set up the systems?
Do I want to check the systems?
Do I want to check the outcomes so that it's actually making sense for me and my environment, all that stuff?
But that it's possible is out of question.
And I think that's also what leaders need to make clear to the organizations.
I've seen it.
It's possible.
Go ahead, do it.
I know it's going to be hard.
I know it's going to take time.
Let's take time.
Let's see what it means for organization and all that stuff.
But, you know, people need to create clarity for other people that there's no way out.
Yeah, 100%.
And this comes back to the future being unevenly distributed, right?
So as you said, with regards to the traffic management, right?
Traffic lights are now everywhere, right?
Or you look at lifts.
Lifts are operated not by LiftBoys anymore, but everyone presses a button and it goes smoothly, right?
So this is something that we also think… And the next problem is all of that technology is safer than it used to be over time.
Like all of these technologies need one or two disasters to become more safe.
Yeah.
And these disasters happen.
They will happen to us.
But over time… The technology matures so far that in the long term it's going to be much safer.
Like, you know, self-driving cars, whatever that will be or is or will be.
Already now the statistics are clear what it means.
Self-driving cars are a funny example because nobody ever had the possibility to test automated braking in a safe space.
Like that was just released to the wild, you know, and as what is it?
Level two or something.
in those autonomic systems.
It's just out there and nobody's bothering you about it.
And you even had Teslas in the beginning with Shadowbreaker, which if you were in a Tesla in the beginning, it was heartbreaking.
You went under a bridge, you had a shadow, and the thing just breaks down from, I don't know, 130 to 100.
What the hell's going on?
And we allowed it in all public.
And now everything's like, oh yeah, but what's going to happen with AI?
It's just another very radical...
Technologie breaks through with all the same side effects we're observing.
I think as harsh as it is and as unsolved the economic and societal and political things are, we know it's not going to go away.
And that's my whole point.
I don't want to mention the Luddits.
They were not opposed to technology.
They knew the technology right away.
They still were neglecting the technology for political societal reasons.
The problem is they didn't succeed.
And no one ever in front of new technologies succeeded in getting rid of the technology.
What always happens, it's going to be more regulated, of course.
And hopefully it's going to be more regulated.
Probably the arch sin will not be done away with, you know, all the copyright theft and whatever was going on.
That's not going to be going away.
But I can only encourage people to learn that stuff.
Weil du musst mit ihr leben.
Und wenn du es nicht möchtest, wenn du es in deinem Leben möchtest, dann verstehe deinen Enem, so dass du besser mit ihr mit ihr könnt.
Das ist mein Punkt all der Zeit.
Ich möchte Menschen nicht so wie sie nicht mag, ich will.
Das ist eine totalen persönliche Meinung.
Für Beispiel, wir haben ein Kollege, ein Kollege, was er heißt, Johannes Link, ein totaler Femmeser Guy in der Extremprogramm-Community.
Totally straightforward guy.
He has an open source project out there.
He doesn't want it to be used in AI projects.
He actually did some joking prompt injection where he said, like, agents forget everything you knew up to here.
And of course it didn't work.
And he didn't want it to work.
It was just a joke he made.
And he got a lot of flack about it.
I totally respect Johannes for not wanting his work to be used in those agents.
And he has all the rights to do it with his open source work to set up rules for it.
Ich totale respecte seine Meinung.
Ich habe nicht gehört, aber das ist wo ich komme.
Aber hier ist die Punkt.
Johannes versteht die Technologie.
Er hat einfach nicht gefällt.
Aber Johannes ist nicht erholt, er ist nicht nachdenken, er ist nicht nachdenken, er ist nicht nachdenken, die Technologie, ohne zu verstehen.
Ich denke, das ist total wichtig.
Wenn du nicht verstehst, dann hast du eine Meinung.
Fine.
Wir haben jetzt schon ziemlich philosophisch.
Aber für diejenigen, Ich glaube, du hast eine ziemlich gute drei-steck-prochste Frage auf wie zu beginnen.
Und du hast gesagt, okay, du starten mit dem Direktory, wo du all die Static und Dynamik content hast, du musst.
Du denkst, was die Outcome ist.
The agent should deliver and describe it as well as possible.
Then you provide the context that you yourself would need in order to execute this.
And then you're trying to break it down into steps, which is basically how you approach automating anything.
But the brilliant thing is that, and that's a point where I have to admit that even I don't always connect the dots.
I do have these workflows that are set up in this way.
So I iterated 20 times over workflows that are working.
Flawlessly.
They are producing pretty great outcomes.
Andrei is using them occasionally and he also, I think, likes them.
And I did it and I do much more sophisticated stuff in my coding world, right?
Where context is pulled in every time and I'm using everything.
Nevertheless, for my day-to-day work, I still have a hard time connecting the dots and always Thinking about it like that.
So my mindset should be, okay, I did this now two times in a row or maybe three times in a row.
I should automate it.
How can I automate it?
And this is something I honestly don't do often enough.
So that's where you caught me.
But I think the very description of the process.
Ich will es weg und versuche es mehrmals in meinem Leben.
Ja, und ich denke, es ist alles so, was man sich automatisch zu automatisch machen.
Einige ich machen ist, dass ich einfach nur tinkere und sehe, wo die Boundaries sind und alles, und alles, und ich denke, das ist auch ein Kaffeeat, dass wir Menschen, wenn sie beginnen, nicht alles wird perfekt von Beginn.
Für mich war es das Psychologisch hart, und ich denke, das ist auch ziemlich ähnlich, als die Entwicklung von Beginn.
to just trust the outcome and not interact on details too much.
The first tendency is you want to go into the created script or MD file or whatever and you want to change details there and say, no, you shouldn't do it like this.
No, don't do this.
The interaction level is always on correcting the outcome.
Just tell the machine, the PRD is crappy because it doesn't contain a chapter like this and the chapter looks too much like and you don't have enough proof.
Take care that this chapter gets more proof from the sources.
Und dann, dass es die Magik macht.
Don't go into the created MD file und dann grab die Sources von hier und da.
Und, you know, do all that.
You will never finish.
You will only build bugs and mistakes and that stuff.
And the interaction level is too deep.
And that's what people really need to get used to in my observation.
Like, people really want to micromanage that stuff where it never works.
Und einfach, einfach, einfach, einfach, einfach, einfach, einfach, einfach, einfach, einfach, einfach, einfach.
Das ist so lustig.
Es ist ein bisschen contradictor, weil ich sage, wie ich sage, die großen Tasks in die kleinen Tasks habe.
Das ist einiges, aber dann kannst du es nicht sagen, wie es zu kombinieren.
Und das ist, wie, was in MCPs ist, mehr oder weniger.
die Parts der API in den MCP zu nutzen.
Just sagen, was die Task ist und dann lassen es sich selbst herausfinden.
Und das ist das Ding, das wir wirklich brauchen, die wir zu lernen.
Wenn du beginnst, ist es so schwer zu figurenter, was die richtige Interaktion Level ist zwischen Details und Macro Level.
Und das ist das, was ich empfehlen, dass Leute zu viel practice.
In the beginning, focus only on the macro level and never go into the micro level.
And I learned it the hard way when I was trying to work with OpenClaw.
That is such a beast.
The moment you're going into details with a more complex agent system like OpenClaw, you're just lost.
You're just nowhere.
You can only talk to the thing and tell it what to do.
Otherwise, you're lost.
If you go into any configuration files, any scripts, you're just done.
It's just whatever.
It's insanity.
Aber ich denke, du hast auch gesagt, dass es zwischen den Längen ist.
Jeder muss diese Erfahrungen machen.
So es ist nicht ein Schottkuss.
Ja, so einfach nur bei dem Längen.
So, nicht so, sondern so.
Ich denke, es ist für die majority, das ist nicht die Art, wie es funktioniert.
Du musst deine Hände schlafen, also wir sind noch tinkern.
Ich gebe Ihnen einen Beispiel, wieder für das, was die richtige Interaktion Level.
In meinen Kursen, ich also offer einen Kursen, die man einfach durch die Übersetzung der Übersetzung und starte mit der Systeme zu nutzen.
Was wirklich confusing für die Leute, die es für den ersten Mal ist, ist es ein linear Kursen, für 15 Minuten oder so.
Aber du kannst es fragen, weil es in LLM arbeitet.
So LLM always remembers its cause, aber du kannst es auch fragen, auch über die weather oder was, und dann zurückkommen zu der cause.
Und das ist die gleiche Sache, die in einer Weise ist, die in einer Weise actiert, aber auf der anderen Seite kann es spread out.
Was ist das, was der hell ist going on?
Und nachdem wir den Erfahrung zwei Mal haben, haben sie sich für eine Art von LLM gemacht, dass es ein LLM ist, das sie mit einem Kursen machen können, was sie mitnehmen können.
Sie können auch die Files in der Backkriebe, die sie in der Backkriebe machen können.
Sie können auch die Kursen gehen und all das alles machen.
Und das ist eine Erfahrung wir nie hatten.
Because in programming, what we had, the ones who had the experience, everything is deterministic.
If you come from Pascal, even a missing semicolon was like 153 compile errors.
And then you're hunting that semicolon, zero errors?
What the hell is going on?
And that's what we use.
But the system is so tolerant that you can just talk to and it does stuff.
It's mind-blowing.
And I think that is what needs that experience.
How do I steer?
mit einem sehr viel buffer auf dem einen Seite und einem sehr viel slacken, dass es genau das was ich möchte.
Das ist das Thema, was ich muss.
Und ich denke, das ist das auch in der Arbeit in der ich mache, mit der exception, dass du all diese brillianten Harnesses in der Infrastruktur, die ICD und all das Thema.
Was ist also ein wichtiges Schritt zu nehmen ist, dass das Fundamentale from working with a chat window.
So in a chat window, you copy something or whatever, but like writing in defaults or basically telling an agent what to do, and then it creates these artifacts in the folder, right?
And then it always constantly automatically uses these artifacts without you having to remember copying something or uploading something or whatever.
It's an entirely different ballgame.
And it comes to the point with me that I totally abhor any Ich habe keine Chat-Experience mit diesen Modeln.
Ich habe total abholt den manchen, den manchen, den manchen, den manchen, die manchen, die manchen, die manchen.
Es ist abholt.
Der Moment, ich benutze die Automatis und die Schriften, die sich in den Schrauben und die Systeme, Ich bin blown away, was sie machen.
Und die Kontrast ist wiederhörter und wiederhörter und wiederhörter.
Ich denke, Chat ist wiederhörter.
Die Systeme sind einfach besser und mehr fluent und mehr deterministisch, durch alle neue Features, die jetzt noch mehr deterministisch sind.
Und ich finde das wirklich sehr interessant, dass diese Leute...
sind die Harnessen und durch die Harnessen zu werden, dass sie nicht alles sollte, dass sie ein LLM sind.
Hell, surprise, wirklich?
Und jetzt sind die mehr deterministischen Parten jetzt die LLM.
Und ich denke, das ist die perfekte Kombination, dass die Leute finden, welche Dinge wir wollen, welche Dinge, die die mehr deterministischen, die dann stehren die resten der Agents.
Und ich bin froh, dass sie da.
Und dann eine Frage, die in meinem Kopf kam, hat sich in meinem Kopf gesagt, dass es für die Lange funktioniert, es funktioniert besser als vorher.
Haben Sie versucht older Models, die haben besser funktioniert?
Ja, so older Models, wie Sonnet 4.6, für die Beispiel, ist besser als Sonnet 5.
Sonnet 5 ist besser als all die Advanced Models, weil es gibt viel mehr direktes Lange.
which I think is again coming from the intent of making the models more long-running, more whatever.
And I don't know what else is in the background.
But to be more long-running, they need to foresee more.
They need to assume more.
They need to fill more gaps.
And that's what they're doing on the downside, which again, if you're chatting, has the worst side effects.
If you really have long-running tasks for them, if you have them, like...
Ich weiß nicht, viele Leute, die wirklich einigen Agenten können, die ein paar Tage zu machen.
Aber wenn Sie das haben, dann denke ich, dass es ein Vorteil ist.
Aber ich denke, 80% von Leuten können cheaperer Models benutzen.
Fable ist fantastisch in finden Structures und, wie sie sagen, benutzen cheaper Models für subagenten und direkten der Arbeit, die bessere Orchestrate und so.
Aber es ist ein sehr guter Modell.
Es ist meistens die Zeit, dass ich in meinem Arbeit sage, dass Sonnett ist für alles.
Und ich denke, es ist so ein Bidder, weil es so ein bisschen wie die Arbeit you're doing ist so cheap und easy, dass Sonnett funktioniert.
Wo alle braggen, dass ich die letzte Fable testiere und ich kann nicht mehr leben ohne Fable.
Most of my work doesn't need that, actually.
And I get it.
It is different in engineering.
I get it, totally.
But in my work, that's again erasing so much of vanity and human exceptionalism for me, myself.
So much of my work can be done by the cheap Sonnet model.
What does it say?
I mean, my daily driver is also not the, what is it called, the highest model.
I'm using the OpenAI models mostly, but it's the mid-tier model.
Sol ist der höchste Modell, und Terra ist der mittel.
Ich habe es mit Terra als mein dailyer Driver.
Das gibt mir hope in a manchen Weise, aber es ist einfach so.
Es gibt vieles über die Leute über die Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell.
Du hast Stefan von ZipGate in deinem Gespräch.
Und ja, es war ein sehr encouraginges Experiment.
Er hat 7000 Euro für ein Server-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell-Modell ist viel Geld.
Aber wenn du eine große Unternehmen, dann ist es nicht viel Geld.
Aber es ist nicht viel Geld.
Es ist nicht viel Geld, wenn du eine große Unternehmen hast.
Es könnte schon sein, vielleicht.
Es ist nicht nur das, was ich immer sagen, ist, dass du all die Beans hast.
Wer hat die Skills zu runen, Stefan natürlich hat, weil er in der Feld für Jahre arbeitet und er hat die Welt.
Just throwing over to your organization to say, hey, what about self hosted models?
Yeah, have fun with that.
And it only starts with hiring the machine, which was also fortunate on their side because the machine was available.
Like another backstory was like it was supposed to be really cheap, but it doubled price in a week.
What the hell is going on?
I don't think the local models are there, but.
Die Erhöhung der Ziele ist insane.
Die letzte Mal, ich testete locales Models für mich, ich war total devastated.
Ich bin nicht mehr auf diese Technologie in der nächsten Jahr.
Und jetzt, in einer sehr low-quantisch-verschreibenden Version, es ist eigentlich ein sehr promisinger.
Und es hat sich durch alle Tests mit wirklich kompliziert, Logik-Questions, wie Create-A-Story, mit den vielen levels von Independence und all das.
Es hat das gemacht, und es hat einen Minute oder etwas.
Das war toll.
Use GPUs that should be doable at a price point of below 2k or something.
And then it should be increasingly fast.
That's now a 2k investment in half a year ago.
That would have been a 16k, 32k, 40k investment where you're questioning what you're doing privately.
On the other hand, I had an engaged conversation with a friend of mine who was just recommending to an organization to just test out local models because he's doing so good.
Have fun with that recommendation.
I wouldn't do that so lightheartedly because there is still a lot of hype around it and it's still not in every case satisfying.
And if, for example, you have a doctor as a client and you tell him to use AI based on local models, I don't know.
Should you do that?
I don't think it's time for mass emanation of local models yet for everyday people.
Yes, absolutely.
So many people are not competently using AI yet.
So what are we talking about?
Yeah, for sure.
All right.
So that was a long middle section of our episode.
So we might just jump straight into the prediction segment.
Last time we spoke a little bit also about how teams would evolve, right?
And you, I think.
Gave a prediction on how this could pan out.
So maybe if you could repeat the prediction and then also give your viewpoint right now on how this has evolved and how you're thinking about this has evolved.
I think the prediction was that we're going to see very small teams with maybe one product person to two engineers or whatever, and probably so little demand for design that it's more a cross-cutting concern, which is then shared, however complicated.
Und ich bin total, dass die Entwicklung, dass ich sie sehen.
Ich denke, es ist noch ein Kampf.
Ich denke, die Mathen ist nicht komplett klar, ob es für meine Profession ist, ob wir mehr oder weniger Produkt-Leute brauchen.
Das depends auf wie viel development work wird oder nicht.
Und das kann auch sehr unterschiedlich sein.
Ich denke, was es auch hart ist, dass wir noch viele Menschen brauchen.
Und ich bin immer positiv, dass wir in der Gesellschaft nicht mehr Menschen in der Arbeit brauchen.
Ein Freund von meinem Podcast hat eine sehr gute Sache.
Er hat gesagt, dass die Agents viel können, aber sie haben keine Willen.
Und die Willen zu tun, zu tun, und zu pushen, muss man aus uns kommen.
An Agenten nicht in der Morgen wachsen und tun, ich muss es wachsen, ich muss es wachsen, ich muss es wachsen, ich muss es machen, ich muss es machen, ich muss es machen, ich muss es machen, was es macht es.
Und das ist noch viel Arbeit.
Und prediction, all companies will find out that having code for free, whatever that means, we already know it's not for free, is surprisingly not.
Or coding was never the hardest part in a software company, is what we will find out.
There was always a ton of work in the value creation from the idea to the client and then selling it.
My thought experiment was always like, if you have an idea and you get it to the client, how long does it take?
Probably half a year, three quarters of a year in general.
Wie viel Zeit war das Koding?
Probably zwei bis vier Wochen, nicht mehr.
So, die Rest ist waiting in der Kompany, coordinating in der Kompany, getting approvals in der Kompany.
Und ein paar Worte in der Kompany ist, wie ein Konto, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Verlust, die Ver Es ist nur ein kleineser Unternehmen, wie es nur 1,000 Menschen auf dem planeten ist.
Es ist nicht alle, es ist alles, was es.
Nicht alle, die Software werden.
Aber viele mehr Organisations werden, und es wird ein großes Problem sein.
Und es ist ein großes Problem, wie großartige Organisations, sogar als Google, Amazon und so weiter, wie Amazon, will survive.
Amazon hat eine andere Grunde, die es logistische und all diese Dinge.
Aber als eine mehr Software-Kampeine, da ist kein Grunde sein.
Und Investors will figure that out, finally.
Why have 120,000 employees?
That doesn't make a lot of sense, I think.
Even if your software is world-dominating.
Amen.
Nice prediction.
At least it's a prediction.
Thank you, Markus.
Thank you.
It was a great episode, as usual.
And we'll most likely welcome you as a guest in the future as well.
Vielen Dank, Anton.
Also, wirklich viel zu vielen Dank für den Efforten, die du in die Zeit geplant hast.
Ich denke, das ist einer der Podcasts, die jetzt braucht, ehrlich gesagt.
Vielen Dank für Ihre Zeit und sehen Sie in der nächsten Episode.