# Celebrating AI-First Operational Efficiency

**Podcast:** AI FIRST Podcast
**Published:** 2026-09-25

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute eine neue Folge und zu Gast ist Benedikt Peine von der Celebrate Company.
Ich habe das große Vergnügen, schon länger mit Benedikt zusammenarbeiten zu dürfen und darf so von der Seitenlinie ihren Weg durch die KI-Transformation verfolgen.
Und sehe dort immer wieder total spannende Ansätze, die oftmals, und Benedikt jetzt, Pressure on you, eine Ecke weiter gedacht sind, als das, was ganz viele Unternehmen heute so tun, weil es eben auf Erfahrungswerten beruht und sich die Firma da relativ schnell durchiteriert, durch so die unterschiedlichen...
in der Anwendung von KI.
Deswegen freue ich mich, dass wir da heute mal tiefer eintauchen können.
Ich weiß ja auch noch nicht alles und bin gespannt, was ich hier noch mit rausnehmen kann und freue mich erst mal, dass du die Zeit genommen hast und heute hier bist.
Ja, super gerne.
Vielen Dank für die Einladung, Felix.
Erzähl doch mal ganz kurz, wer du bist, was du bei Celebrate machst und wofür ihr als Unternehmen steht.
Sehr gerne.
Genau.
Benedikt Peine ist mein Name, wie du schon gesagt hast.
AI-Officer bei der Celebrate Company seit Juli letzten Jahres.
Ich bin schon relativ lange im Unternehmen, seit über zehn Jahren.
In unterschiedlichen Rollen, komme ursprünglich aus dem Marketing.
Dann habe ich sechs Jahre lang die Service Unit mit Fokus auf Customer Service geleitet.
Und letztendlich bei Celebrate Company ist unser großer Auftrag, quasi die Erinnerungen und die besonderen Momente unserer Kunden auf schönen, hochwertigen Papeterieprodukten festzuhalten.
Das machen wir mit den Marken Kartenmacherei, Rosemood, Mintkind und Fairbatterie im Dachmarkt in Frankreich und auch in UK.
Und genau, das letztendlich mit den Produkten, also es gibt ganz unterschiedliche Produkte, mit Grußkarten, Einladungskarten haben wir gestartet.
Jetzt steht dann auch bald die Weihnachtssaison wieder vor der Tür.
Das bedeutet Weihnachtskarten im privaten, aber auch im Business-Kontext.
Und alles, was Fotoprodukte angeht.
Fotokalender für Oma, Opa, aber auch das Fotobuch, um am Ende des Jahres, das Jahr nochmal festzuhalten.
Genau, all das, das produzieren wir und geben uns da sehr, sehr viel Mühe, um unsere Kunden glücklich zu machen.
Und genau, weil ich gerade Weihnachten angesprochen habe, das ist halt genau das, wo sehr, sehr viel zusammenlaufen muss am Ende des Jahres.
Weshalb es eben auch für uns super.
Wichtig ist, da im Background einfach sehr, sehr gute Arbeit zu machen, möglichst effizient zu arbeiten, um dann auch die große Nachfrage am Ende des Jahres bedienen zu können und das möglichst, ja, airportless, wie man so schön sagt, bei den Kunden.
Ja, ich finde das ja total spannend, dein Background da aus dem Service, was ja nun mittlerweile bekanntermaßen einer der Bereiche ist mit einem großen KI-Einfluss, dass du da den Weg in dieser AI-Officer-Rolle gegangen bist.
Was mir auch immer nochmal zeigt, dass in dieser AI-Officer-Rolle gar nicht unbedingt das technische Verständnis von KI...
im Vordergrund stehen muss, sondern vor allem ein gutes organisatorisches Verständnis.
Genau, ich glaube natürlich, ein gewisses technisches Verständnis ist eine Voraussetzung oder etwas, das man daraus auch lernen kann, wenn man das Interesse mitbringt.
Aber genau, Service, das war halt immer schon viel Prozess, das war immer viel Automatisierung und das war letztendlich dann auch das, was dann bei mir den Aufschlaggeben gemacht hat, der Chat-GPT-Moment, den wir alle noch kennen.
sich damit wirklich mehr zu beschäftigen, noch mal tiefer einzutaugen und dann eben auch Stück für Stück zu verstehen, welche Möglichkeiten bringt denn diese neue Technologie mit sich.
Und das war super spannend.
Und so ging das Ganze dann auch los, dass ich das dann auch bei mir im Bereich versucht habe auszurollen, möglichst viele dafür versucht habe zu begeistern und das auch wiederum immer wieder an Bord angebracht habe, also unserem C-Level da zu sagen, hey.
Das ist ein Ding, da müssen wir uns auf jeden Fall mit näher beschäftigen und noch mehr Aufmerksamkeit drauf lenken.
Und so hat sich das dann auch ergeben, dass ich dann eines Tages gefragt wurde, ob ich das nicht in Vollzeit machen möchte und quasi dafür sorgen möchte, KI wirklich in den letzten Winkel der Organisation zu tragen, um eben maximal effizient aufgestellt zu sein.
Was machst du denn, fangen wir mal bei dir ganz persönlich an, was machst du heute mit KI, was so vor drei Jahren noch?
unvorstellbar war?
Ehrlicherweise würde ich sagen fast alles mittlerweile.
Also ich habe Cloud ist mein Go-To-Tool für alles.
Ich habe da mittlerweile mein eigenes Betriebssystem für mich aufgebaut.
Das heißt, das kennt mich in- und auswendig an meinem Kontext, weiß, wie ich mit wem zusammenarbeite, kennt die Ziele, die ich verfolge, kennt viele, viele Hintergründe.
Woher weißt du das?
Das ist gewachsen.
Was hängt da dahinter?
Also erstmal, wer bin ich damit angefangen?
Also was ist meine Historie?
Was sind meine Stärken?
Was sind meine Schwächen?
Diverse Persönlichkeitstests der Vergangenheit dort hochgeladen über mich und Informationen über die Firma.
Was ist Celebrate Company?
In welchen Märkten operieren wir?
Was ist die Zielgruppe?
Was ist unsere Company Mission?
Was sind unsere Principles?
Also ganz, ganz viel Kontext und der ist natürlich über die Zeit gewachsen.
Also in gewisser Weise, wir versuchen wirklich jedes Meeting intern zu transkribieren und mit jedem Meeting wächst der Kontext, quasi meine eigene Knowledge Base, der auf mich bezogen ist.
Natürlich nicht auf andere, aber auf mich und das, was ich wissen muss für meine Arbeit.
Das heißt, wenn ich ein Thema habe, beispielsweise eine...
Board-Update für die nächste Woche, dann muss ich nicht erst alles wieder Adam und Eva anfangen zu erzählen, sondern das Tool, die KI, die weiß eigentlich schon 90, 95 Prozent dessen, was passiert, denn die greift auf meinen Slack zu, die kennt die Meeting-Transkripte, die kennt die Historie, die weiß, welche Linear-Tickets, also sowas wie Jira.
Gerade wo steht, hat da den vollen Zugriff auf die Projekte.
Natürlich immer mit so ein paar datenschutzrechtlichen Einschränkungen, keine Frage.
Aber das macht es mir einfach, dann immer schon mal so die ersten 80 bis 90 Prozent vorgenerieren zu lassen.
Von Präsentationen und so weiter.
Und dann in den Feinschliff zu gehen.
Das ist also für mich persönlich eine super große Zeitersparnis.
Wo hast du diesen ganzen Kontext abgelegt?
Das ist bei mir auf dem Rechner.
lokalen Repository, worauf dann letztendlich Cloud-Code drauf zugreift.
Ja, ist spannend, oder?
Vor ein paar Jahren, da ging es dann viel um Tools, Funktionen, was können die Modelle?
was gebe ich da ein, um das Modell so hinzubiegen, dass es mir was Sinnvolles rausgibt, ging unfassbar viel Zeit und Energie rein und ich habe selbst letztens mal reflektiert, was hat sich eigentlich so verändert und diese Relevanz, KI den Kontext zu geben und wenn sie diesen hat.
dass das eigentlich der größte Hebel ist auf die Qualität der Antworten und alles, was vorher mal so wichtig war, relativ unwichtig geworden ist.
Das ist schon sehr spannend.
Also wenn ich auch überlege, wie haben wir angefangen?
Also vor gut einem Jahr, da haben wir auch super viel Zeit damit verbracht, das richtige Tool zu finden.
Natürlich, da waren die Tools auch noch nicht so weit fortgeschritten wie heute und auch das Verständnis, das musste sich natürlich auch erst mal aufbauen, ganz, ganz viel durch Anwendung.
Am Anfang hatte jeder seine ChatGPT-Lizenz, seine Team-Lizenz und konnte mal eine E-Mail schneller formulieren oder irgendeine Slack-Nachricht an die Company schreiben.
Und dann haben wir Gemini ausprobiert, weil wir ohnehin auf Google Workspace unterwegs sind.
So kam das eine zum anderen, bis wir dann gesagt haben, okay, jetzt mal Schluss und wir entscheiden uns jetzt für eine konsolidierte Plattform, haben uns dann für LangDoc entschieden.
Haben dann aber auch da über die Zeit dann gewisse Limitationen festgestellt, gerade wenn es dann auch um Engineering geht, wo unsere Softwareentwickler einfach nochmal anders unterwegs sind und sind dann jetzt immer mehr auf Cloud wiederum gewechselt.
Also wir versuchen quasi kein Toolhopping zu betreiben.
Wir versuchen mittlerweile all das, was relevant ist, so aufzubereiten, dass es auch leicht wäre, es zu wechseln.
Also den Kontext, wie du sagst.
den an Orten zu speichern, der sich nicht ändert.
Und ob ich den dann über Claude mir reinziehe oder ob ich mir dann über die OpenAI-App reinziehe oder über LangDog oder was auch immer, das ist dann mittlerweile eigentlich egal, weil die Modelle dahinter sind häufig eigentlich stark oder auf jeden Fall stark genug, um, ich würde mal sagen, 80 bis 90 Prozent der Use Cases, die wir ohnehin haben, ohne Probleme abzubilden.
Also da scheitert es eher an anderen Dingen.
Okay, also ihr seid erst mal...
mit dem Produkt gegangen, was in euren Workspace integriert war.
Dann seid ihr auf so eine horizontale KI-Plattform mit LangDoc gegangen und jetzt den Schritt zu Claude.
Aber was ich jetzt rausgehört habe, ist weiterhin mit offenem Visier so weiterlaufen und zu gucken, wie sieht das beste Setup für euch auch in Zukunft aus.
Und ich glaube, da kann keiner heute mit Gewissheit...
sagen, wie das in zwölf Monaten sein wird.
Jetzt sehe ich gerade wieder ganz viele Leute auf OpenAI und ChatGPT wechseln, weil die gerade wieder ordentlich Gas gegeben haben und wahrscheinlich so ein paar Fähigkeiten mitbringen, die Claude wieder nicht mitbringt.
Aber genau, da wird man ja nie so richtig mit fertig.
Warum kam dann trotzdem die Entscheidung, zu Cloud zu gehen?
Waren es nur die Engineers, die dann besser damit arbeiten können oder gab es noch andere Vorteile, die ihr gesehen habt?
Engineers haben auf jeden Fall den Anfang gemacht und das ist ja häufig so bei der Entwicklung.
Wenn du Code geknackt hast, hast du auch viele andere Dinge geknackt und kannst sie auch auf Knowledge Management übertragen.
Und da haben wir einfach viele Learnings gesehen.
Also beispielsweise hat unser Engineering Team großes Interesse daran, schneller Produkte zu shippen und Code zu schreiben.
Und in der Vergangenheit war das ganz häufig so, dass viel Zeit ist in das Herausfinden, in das Scoping gelaufen, um zu definieren, was bauen wir denn überhaupt, wie muss der Code aussehen.
Dann aber auch genauso viel Zeit, wenn nicht noch mehr in die Implementierung und das Schreiben des Codes an sich.
Da ging es dann quasi los, dass unser CTO eben mit dem Engineering-Team gemeinsam ein Plugin entwickelt hat in Cloud Code, dass eben diese gesamte Kette, die passiert oder die durchlaufen wird, wenn wir ein neues Produkt schreiben oder etwas iterieren, automatisiert.
Und mittlerweile sind wir auch an dem Punkt, wo wir gesehen und gelernt haben, dass der Implementierungspart mittlerweile relativ gering ist, nur noch, und wir eigentlich einen großen Teil in wirklich die Definition des Problems decken können, das wir lösen möchten.
Und am Ende dann auch wieder in QA.
Das heißt, da sind wir natürlich auch dabei, diese beiden Teile maximal gut zu unterstützen.
Ist aber sicherlich auch noch ein Weg und gibt bestimmt auch noch einige Dinge, die wir da optimieren können und müssen.
Aber diese Art der Arbeit, also dieses Systemdenken, das hat irgendwie so einen Ausschlag gegeben, zu überlegen, okay, was können wir denn daraus für Knowledge Management oder beziehungsweise Knowledge Worker lernen.
Das ist eben genau das, in diesen Loops arbeiten.
Ein schönes Beispiel finde ich da immer wieder CRM-Management, also das Raussenden von E-Mail-Kampagnen.
Das ist ja auch eine Aneinanderreihung von unterschiedlichen Prozessschritten.
Das heißt, ich habe einen Kalender, wo drinsteht, wann geht welche Kampagne raus.
Es muss ein Thema definiert werden, es muss der Text geschrieben werden, wir müssen die richtigen Assets zusammensuchen, dann muss das zusammengebaut werden.
Dann wird der Verteiler gemacht, dann wird die Mail rausgeschickt und am Ende gucken wir uns die KPIs an und schauen, wie hat die Kampagne performt, wie hat sie geklickt und am Ende, wie war die Conversion Rate.
So, und dann können wir dieses Wissen nehmen, um das dann quasi vorne beim nächsten Mal wieder reinzukippen und zu sagen, okay, folgende Betreff-Eilf oder oder oder.
Ja, Betreffzeile oder Hook oder Ansprache.
Genau, hat gut performt und was können wir daraus lernen und wie müssen wir unseren Tone-of-Voice-Agent irgendwie oder beziehungsweise Tone-of-Voice-Skill ja mittlerweile anpassen.
So, und dann iteriert sich das so ein Stück weit selber und der Mensch entscheidet eigentlich hauptsächlich nur noch, ja, will ich das oder will ich das nicht und gibt dann wieder einen neuen Kontext dazu, um sich das dann eben so weiter vorzuiterieren.
Und um den Bogen zurückzuspannen, da haben wir dann eben halt gemerkt, dass das, einfacher ist mit Tools wie Cloud Code, als das mit anderen Tools aktuell verfügbar ist.
Und das, wie du sagst, das ändert sich auch ständig und ich glaube, der Trend geht überall in die gleiche Richtung.
Im Moment ist es Cloud bei uns.
Wie gesagt, wir wollen weniger Zeit darauf verschwenden, uns ständig darüber Gedanken zu machen, was ist das beste Tool, sondern vielmehr, wie können wir aus dem bestehenden Toolset, das wir haben, mehr rausholen.
Und wie gesagt, neue Modelle sind gut und schön, aber...
Wie gesagt, wir haben so viele Use Cases in der Pipeline und die kriegen wir eigentlich auch gut mit dem umgesetzt, was heute schon zur Verfügung steht.
Also ist das so, dass ihr jetzt in immer mehr Prozessen schaut, wie ihr diese Schleife schließen könnt?
Der Prozess wird ausgeführt, dort ist dann schon KI mit integriert, zum Beispiel um einen Text für die CRM-Kampagne zu formulieren oder die Betreffzeile.
zu optimieren.
Ihr habt ja bestimmt da sogar schon synthetische Personas eingebaut, gegen die dann die Kampagne schon mal gespielt wird, um zu testen, wie die performen könnte und schon mal fortzuoptimieren.
Du nickst.
Auch das haben wir, beziehungsweise damit experimentieren wir immer.
Wir sind nicht in jedem Bereich gleich weit, muss man auch immer ein bisschen unterscheiden.
Aber gerade, wenn wir auch neue Produkte testen.
Darüber nachdenken, da versuchen wir natürlich jedes Produkt, das kein Legacy mit sich bringt, auf jeden Fall immer AI-first zu denken und zu gucken, wie müssen wir das dann für die KI bauen.
Und da spielen natürlich dann auch solche Personas eine wichtige Rolle, definitiv.
Ansonsten...
Ich glaube, wir sind auch noch nicht da, dass wir jetzt sagen, wir haben für jeden Fachbereich irgendwie das perfekte System entwickelt.
Es ist, glaube ich, wichtig zu verstehen, wo will man hin und warum will man das?
Was ist der Vorteil davon?
Und eben auch dieses Verständnis aufzubauen, in Systemen zu denken.
Wir haben aber auch noch ganz viele Prozesse, die immer nach Schema F ablaufen.
Und das, wo es nicht zwingend auch immer einen Kuchen braucht.
Das Systemische ist vor allem dieses Schließen der Lernschleife auch.
am Ende, wo ich das Ergebnis aus einem abgeschlossenen Prozess nehme, auswerten lasse, gucken, was kann ich daraus lernen.
Dann ist dann nochmal ein Mensch eingebaut, der dann vielleicht sagt, hey, guck mal hier, den und den Optimierungsbedarf, der hat sich ergeben aufgrund der Kampagnen-Performance und der Mensch könnte das dann freigeben, zum Beispiel, um dann wiederum eine Verbesserung in dem Prozess auszulösen?
Genau, richtig.
Oder ein anderes Beispiel, ein Produktmanager von uns, der baut gerade ein neues digitales Produkt und der schaut natürlich immer wieder, okay, was gibt die KI da raus?
Und wenn das Ergebnis gut ist, okay, wenn nicht, dann könnte die Person das natürlich jetzt auch selber manuell anpassen, aber das macht sie nicht.
Das heißt, sie geht immer wieder zurück zum Start und sagt, hey, wie muss ich das System anpassen, damit das Ding irgendwann von alleine hinbekommt.
Weil wenn ich diese extra Arbeit nicht mache, und das geht natürlich am Anfang nicht besonders schnell, am Anfang ist das wirklich viel Zeit und viele Iterationen, die du da reinstecken musst, um auch wirklich dann das perfekte Ergebnis rauszubekommen.
Aber wenn du das dann einmal geknackt hast, dann profitierst du natürlich davon am Ende extrem.
Und auch bei allen weiteren Features, die du launchen möchtest, auch wenn es um UX-Design geht und wie muss der Button aussehen.
Das muss halt der KI einmal...
durch den richtigen Kontext beibringen, warum das so ausschaut und wie das aussehen muss.
Und deswegen, genau, immer wieder an den Start Feedback geben, wenn es das nicht selber hinbekommt und dann italiere.
Also das ist ja schon recht fortgeschritten.
Ich versuche das mir selbst immer wieder zu erklären, auch meinem Team das immer wieder zu erklären.
Und ich glaube, wir machen es auch schon jetzt nicht ganz schlecht, aber...
Ich merke auch, wie oft wir immer wieder auch noch in unsere alten Denk- und Arbeitsmuster zurückfallen.
Und ihr habt ja schon eine sehr digitale DNA als Unternehmen, aber seid ja jetzt auch kein kleines Start-up mehr.
Also eine gewachsene Firma in mehreren Ländern unterwegs, unterschiedliche Business Units und so weiter.
Es ist schon eine gewisse Komplexität und auch Brownfield da.
Wie gehst du da vor, um dieses Mindset, dieses Denken und Arbeiten mit KI, das Nachdenken über die eigenen Prozesse, das Nachdenken über die Rollen und Arbeitsweisen in dieses Unternehmen zu bekommen?
Das ist natürlich ein langfristiger Prozess und nichts, was du mit ein, zwei Maßnahmen implementiert hast.
Wie gesagt, wir haben vor 15 Monaten gestartet und haben wirklich bei den Basics gestartet.
Wir haben erstmal überlegt, okay, wie kriegen wir das Thema dann überhaupt ein bisschen strukturiert und dieses Verständnis von wie nutze ich, wie wende ich KI an, warum will ich das überhaupt anwenden, was ist denn der Mehrwert davon?
Das haben wir erstmal gemacht, indem wir ein Ambassador-Netzwerk, also ein Multiplikatoren-Netzwerk aufgebaut haben mit 30, 35 Leuten.
Und dann haben wir eben erstmal da versucht, die Basics zu vermitteln.
Also wie damals war es ja noch, wie prompte ich, wie schreibe ich den perfekten Prompt, dass wir heutzutage auch schon wieder mit dem neuen Modell auch...
hat sich das verändert?
Oder wie muss ich meinen Assistant aufsetzen, damit er mir einen gewissen Task mit Hilfe von KI in diesem Assistenten nach und nach umsetzt?
So, und da haben wir dann unterschiedliche Formate ausprobiert.
Wir haben Hackathons in der Firma durchgeführt, in unterschiedlichen Teams, teilweise intern, teilweise auch mit externen, um uns da auch irgendwie so ein bisschen ja, Gedanken von außen und Erfahrungen reinzuholen.
Und dann ist so dieser gesamte Prozess ins Laufen gekommen.
Um da vielleicht nochmal ein bisschen auf die Ambassadors einzugehen, das war eine Rolle.
Da hatten wir versucht, wirklich in jedes Team, in jede Funktion eine so eine Person reinzubekommen und hatten so vorausgesetzt, dass sollten so 30 Prozent der Arbeitszeit sollte in diese KI-Tätigkeit oder in diese Ambassador-Rolle reinfließen.
Und da haben wir dann relativ schnell gesehen, nach so den ersten Monaten, okay, das funktioniert leider nicht bei allen, weil es gibt halt dann noch ein Tagesgeschäft, das auch sehr viel abverlangt und einfach mal die Realität ist.
Und dann gab es aber ein paar, die haben das hingekriegt, sich das irgendwie entweder innerhalb von Teams die Kapazität und die Priorität zu organisieren.
Ja, also ist auch so ein bisschen, ja, war abhängig von dem jeweiligen Lead auch, der da dahinter steht und der dann rückenfrei hält.
Und dann haben wir aber gemerkt, okay, wir kommen da nicht so schnell voran, wie wir das gerne hätten.
Das heißt, dieses Upskilling, dieses Enablement, das ist halt super zeitaufwendig, weil am Ende lernst du es nur, wenn du es selber anwendest.
Und wenn du die Zeit nicht hast, es anzuwenden, ist es nicht lernend.
Also das ist immer so dieses AI-Problem.
Von daher haben wir dann auch nochmal so entschlossen, okay, was ist jetzt die nächste Stufe, die nächste Iteration nach ein paar Monaten schon zu den AI Ambassadors?
Da haben wir dann gesagt, okay, wir brauchen wirklich einerseits mehr Kapazität bei den Leuten und wir wollen die wirklich auch so zu Bildern entwickeln.
Also Leute, die dieses Mindset mitbringen, hey, ich baue da was, weil ich sehe dann den Mehrwert, ich fuchse mich rein, wie das funktioniert, ich hole mir den Kontext, ich bereite den Kontext auf und haben dann gesagt, okay, wir launchen eine neue Rolle oder machen eine Weiterentwicklung zum sogenannten Agentic Enabler, der dann auch mindestens 50 Prozent der Rolle oder der Person auch zur Verfügung hat.
Teilweise waren es auch Fulltime-Adgenting-Enabler, die dann sehr eng mit uns als Team auch zusammengearbeitet haben.
Kann ich da einmal kurz einhaken?
Weil das ist ja ein riesen Commitment.
Also ich erlebe das ganz oft in den Unternehmen, dass mit dem bestehenden Team, die sind schon so unter Last, dass es super schwer ist, überhaupt mal so die Kapazitäten für so ein paar Workshops oder für so ein Hackathon oder für so ein Training zu bekommen.
Jetzt geht es darum, 50 oder 100 Prozent der Arbeitszeit darauf zu verwenden, ohne dass er vielleicht...
schon allen total klar ist, wie diese Zeit auch im Team zurückkommt.
Weil natürlich ist das ja der Case dahinter, dass diese Person alle anderen schneller und besser machen kann und am Ende 1 plus 1,3 ist.
Wie war denn, also wie habt ihr das so hinbekommen, dass diese Zeit auch freigemacht werden konnte?
Da sind wir tatsächlich so in der komfortablen Lage, dass unser gesamtes Ziel-Level da 100% dahinter steht und das von Anfang an auch gepusht hat.
Das heißt, ich musste nicht irgendwie zum Board gehen und sagen, hey, ich bräuchte, sondern es war eigentlich immer mehr so die Frage, hey, wie können wir noch schneller werden und was braucht es dazu?
Und ich glaube, dieses Commitment von sozusagen von oben ist einfach wichtig, um das als Priorität innerhalb der Firma zu machen.
Und wenn das nicht gegeben ist, oder nur so ein Statement ist, aber eigentlich nicht wirklich in der Realität gelebt wird, dann wird es schwierig.
Und das sehe ich auch bei anderen Unternehmen, mit denen ich mich immer wieder austausche.
Also da, ich glaube, das ist wirklich das A und O und das ist bei uns gegeben.
Und von daher, das ist die Grundlage für alles.
Ja, schönes Beispiel, wie man das dann auch untermauern kann oder was das dann auch heißt.
Also es heißt nicht, den Leuten zwei Stunden Zeit zu geben, um sich weiterzubilden, sondern es heißt in einigen Teams Vollzeitrollen und Zeit dafür zu schaffen, agentische KI in die Teams und in die Prozesse zu bringen.
Wie viele habt ihr denn von den Kollegen?
Also das waren...
Anfangs neun, aktuell sind wir auf sieben nochmal weiter geschrumpft.
Also was uns natürlich auch als Team die Gelegenheit gegeben hat, uns nochmal viel stärker darauf zu konzentrieren, also auf eine kleinere Gruppe, die das dann teilweise auch stellvertretend für ihre gesamten, also nicht nur ihren Fachbereich, sondern die gesamte Unit, in der sie organisiert sind, mitzudenken.
Und genau, da haben wir dann jede Woche...
einen Deep Dive in die Themen, wo stehen sie, machen teilweise auch dann mit den Atlantic Enablern auch Hackathons in den Teams konkret auf konkreten Use Cases und versuchen da einfach maximal zu entblocken, wo sie dann in Limitationen laufen.
Und ich glaube dafür vielleicht auch noch mal so ein bisschen wichtig als Kontext, wenn ich von meinem und unserem Team spreche.
Also ich habe angefangen alleine.
Und dann haben wir aber relativ schnell festgestellt, okay, das ist gut, dass es da eine Person gibt, die sich darum kümmert, aber wenn man es ernst nimmt, das ist nicht ausreichend.
Das heißt, wir haben dann relativ schnell auch einen AI-Enablement-Manager hinzugefügt, quasi zum Team, die mich dabei unterstützt, auch bei diesem ganzen company-weiten Upskilling zu helfen und zu unterstützen.
Und dann haben wir aber auch Anfang des Jahres entschieden, okay, es ist dann doch immer wieder.
technisch und es gibt technische Blocker, die ich mit meinem nicht technischen Background auch nicht lösen kann.
Das heißt, wir haben dann auch wirklich entschieden, wir brauchen Engineers auch im AI-Team.
Das heißt, wir haben einen Engineering Manager, wir haben zwei bis drei AI Automation Engineers, die dann gemeinsam mit meiner Kollegin, die das Enablement macht und mit mir dann eben auch überlegt, wie können wir die Teams bestmöglich unterstützen.
Was braucht welches Team?
Und wie gesagt, manchmal ist es mehr technisch, manchmal ist es weniger technisch und je nachdem gehen dann halt auch andere Personen in die jeweiligen Teams mit rein.
Aber klare Maßgabe ist, nicht wir bauen für die Teams, weil sonst sind wir halt relativ schnell das Bottleneck für alles, sondern die Teams bauen selber.
Das ist ganz, ganz wichtig.
Und wir gehen halt rein und versuchen zu unterstützen, wo wir gebraucht werden.
Funktioniert das immer?
Also ich glaube, im Kern ist das natürlich super, aber macht ihr da auch manchmal die Erfahrung, dass das an Grenzen stößt, wo man dann doch die Komplexität von einem Case so groß ist, dass man sagen muss, wir brauchen da entweder einen Technologiepartner, die das schon mal gebaut haben, weil es gar keinen Sinn macht, das selbst zu bauen oder vielleicht so ein Vibecode mir etwas nicht robust genug ist, um...
in dem Prozess zu bestehen?
Natürlich Cases.
Da sagen wir, okay, da macht es nicht zwingend Sinn, dass wir das selber bauen.
Also bestes Beispiel Customer Service.
Da arbeiten wir beispielsweise mit einem Technologie-Partner zusammen, der mit uns gemeinsam den Voice-Bot, den E-Mail-Bot, den Chat-Bot zur Verfügung stellt oder mit uns gemeinsam entwickelt, um diesen auch immer wieder besser zu machen.
Das ist ein Thema, da haben wir ganz klar gesagt, das bauen wir nicht selber.
Aber...
Viele andere oder die allermeisten anderen Use Cases versuchen wir tatsächlich schon auch selber zu bauen, weil einerseits wollen wir uns in keine Abhängigkeiten mehr begeben.
Wir haben halt festgestellt, dass langfristige SaaS-Verträge nicht mehr zwingend irgendwie das Richtige sind.
Und irgendwie nach kurzer Zeit festgestellt, ah, das hätte ich auch selber machen können mit relativ wenig Aufwand und KI.
Aber natürlich nicht in allen Fällen.
Aber wir wollten uns dann eine gewisse Flexibilität geben.
großes, vielleicht auch komplexer Use-Case ist beispielsweise unser interner Data Bot.
Also nachdem wir am Anfang auch diese ganze Use-Case-Discovery gemacht haben, hat man immer wieder gesehen, jedes Business-Team logischerweise arbeitet mit Daten.
Wo kriege ich die Daten her?
Da hätte man natürlich auch überlegen können, kaufen wir da irgendeine externe Lösung?
Aber wir wollten das eben nochmal für uns maßgeschneidert mit unserem Kontext aufsetzen.
Also welche KPIs gibt es da?
Wie stehen die im Verhältnis zueinander?
Was ist die Historie vielleicht hinter dieser KPI?
Und dann haben wir unseren eigenen Data Bot zum Beispiel gebaut.
Also klingt auch erstmal sehr komplex, aber funktioniert halt super gut mittlerweile, wenn man dann auch den Zugriff auf die entsprechenden Daten gibt.
Also wir wagen uns da schon auch durchaus an komplexere Use Cases ran.
Dann in dem Fall zusammen mit dem Data Team, unserem internen, wo wir dann eben gemeinsam dran arbeiten.
Kurz in eigener Sache.
Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarierige Gäste hören möchtest, dann freue ich mich über deine Unterstützung.
Mit einer 5-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns, sichtbarer zu werden und AI First weiterzuentwickeln.
Für dich und die gesamte Community.
Ich danke dir.
Und bei dem Rest, was ist so euer Vorgehen, um die ...
passenden Cases zu finden und auch zu entscheiden, worauf wollt ihr euch wirklich konzentrieren und woran weiterarbeiten, weil man kann ja natürlich so in der Breite dann ganz viele so kleinere Sachen aufsetzen, die super auf die Produktivität auch schon einzahlen können, aber dann irgendwann an ihre Grenzen stoßen, weil eigentlich der Prozess verändert werden müsste.
Den Prozess zu verändern ist aber auch...
Manchmal gar nicht so einfach, gerade in gewachsenen Strukturen muss man sich dann gut überlegen, ist jetzt die ganze Energie und Zeit, die wir dort investieren, rentiert sich dieser Case dann auch hinten raus?
Das sind so Sachen, die ich immer wieder sehe.
Wie geht ihr damit um?
Grundsätzlich haben wir das Mandat, wirklich jeden Prozess auch zu hinterfragen und das ist auch gewünscht.
Was wir nicht versuchen, ist, dass wir...
in einem bestehenden, vielleicht auch kaputten Prozess nehmen und dann ein bisschen AI draufwerfen und hoffen, okay, dann wird es besser.
Also da muss man schon auch häufig wirklich nochmal an die Ursache rangehen und irgendwie verstehen, so warum machen wir das überhaupt?
Und da treten wir auch immer wieder höflich manchmal gegen das eine oder andere Schienebein, um irgendwie herauszufinden, so braucht es das denn wirklich?
Oder wie müssen wir das irgendwie, wie können wir das komplett anders denken?
Also das ist schon wichtig.
Und ja, zu Beginn haben wir uns erstmal...
versucht einen gesamten Überblick überhaupt über die Company zu verschaffen, weil so bisher war das ganze Thema Automation mal hier und da ein kleineres Thema, aber jetzt nicht so auf einer gesamten Company-Ebene.
Von daher haben wir dann damals auch mit allen AI Ambassadors Interviews gemacht, haben versucht zu verstehen, was sind die Pain Points, was sind die repetitiven Aufgaben, die einfach gemacht werden, aber wo auch vielleicht nicht zwingend jemand Spaß dran hat.
Und daraus sind dann 700 Seiten Interview-Transkripts entstanden.
Und dann ging es eben los, diese ganzen Use Cases auseinanderzunehmen und zu verstehen, zu clustern, zu gucken, was steckt denn da dahinter.
Und dann haben wir eben das versucht, wie gesagt, ein Level mal zusammenzustecken.
Und dann sind wir immer tiefer reingegangen und haben eben geguckt, okay, was braucht es denn für diesen Use Case?
Wo gibt es Überschneidungen?
Wie viel Zeit wenden wir dafür auf, um diesen Task zu fassen?
durchlaufen und haben das dann aus dem Produktmanagement den Rise-Score angewandt.
Das heißt, wir haben geguckt, wie ist der Reach, der Impact, Confidence und Effort von den unterschiedlichen Use-Cases.
Und basierend darauf haben wir dann den Rise-Score am Ende für jeden Use-Case gehabt und konnten dann relativ einfach das mal durchranken.
Also einmal auf einer Company-Ebene, aber dann natürlich auch auf einer Team-Ebene.
Und das hat uns schon mal so eine ein gutes Gefühl dafür gegeben, gut quantifiziert, wo fangen wir an, wo gibt es wirklich ein Thema und wo sollten wir unsere Zeit aufwenden.
Das iterieren wir natürlich immer weiter und sobald da eine Use Case umgesetzt ist, merken wir natürlich auch, okay, was geht denn da noch und ein neuer umgesetzter Use Case macht dann natürlich auch einfach neue Möglichkeiten.
Ich bereite dann nochmal den Weg für neue weitere Use Cases dann immer wieder auf, weil wir dann beispielsweise in einem gewissen Kontext einmal richtig dokumentiert haben und auch einen Loop haben, um diesen Kontext aktuell zu halten.
Was ja auch häufig der Fall ist, dass im Thema Knowledge Management irgendwie ich heute was aktualisiere und morgen ist es schon wieder outdated und es bringt nichts mehr.
Auch dafür arbeiten wir beispielsweise an Lösungen.
Wie macht ihr das mit der Aktualisierung des Wissens?
Wir haben letztendlich Workflows laufen.
Einmal so alles, was so taskrelevant ist, das dokumentieren wir in linear.
Also wirklich alle Business-Ziele sind linear durchdefiniert über unterschiedliche Ebenen hinweg.
Über alle Teams.
Also das ist das Ticket- und Aufgabenmanagement über die gesamte Firma.
Exakt.
Also da machen wir Projekt-Update, schreiben wir da rein, Issues, Initiatives und alles.
Und auf der anderen Seite sind wir dabei auch das Tool-Outline.
Also letztendlich ist das nur so ein Markdown-Sammeltool.
Relativ simpel, kann ich wahnsinnig viel, aber deswegen ist es ja auch so schön.
Das ist dann letztendlich so unser Company-Wiki oder bauen wir gerade dazu auf.
So, und dann geht quasi, läuft nach jedem Meeting, nach jedem Transkript, dass wir haben, ein Workflow, der sich das Transkript anguckt, der das erstmal synthetisiert, also die wichtigen Dinge zusammenfasst, teilweise personenbezogene Daten rausschmeißt und dann das, was wirklich wichtig ist, eben in Outline.
neuen Artikel schreibt oder auch vorhandenes Wissen aktualisiert.
Also dann eben auch Vorschläge macht und dann wird das aktuell noch von einem Menschen aktualisiert oder beziehungsweise freigegeben.
Passt das oder passt das nicht?
Und wenn ja, dann wird das übernommen.
Und genauso wird das auch in Liniea quasi überschrieben oder übertragen, wenn es sich hier um Task-spezifische oder Business-Goal-spezifische Themen handelt.
Und da sind wir jetzt gerade dabei, auch weitere Kanäle anzubinden.
Also nicht nur Meeting-Transkripte, sondern eben dann auch Slack-Channel hinzuzufügen.
Jedes Team kann selber überlegen, welcher Slack-Channel ist relevant, wo werden allgemein relevante Themen geteilt.
Und so soll sich dann dort eben über die Zeit ein Wissenspool aufbauen, der dann eben auch Iterationen hat.
der regelmäßig guckt, gibt es irgendwelche widersprüchlichen Inhalte, gibt es einen Run, der dann irgendwie guckt, okay, gibt es irgendwo was, was definitiv outdated ist, weil irgendwo eine andere, aktuellere Information enthalten ist.
Genau, und so versuchen wir uns gerade in das ganze Thema Knowledge Management reinzuiterieren.
Okay, also...
Ich meine, ich glaube, was super wichtig ist, ist diese Kernsysteme zu haben, mit denen wirklich alle arbeiten und es nicht, es gibt Asana und Linia und Jira und noch Notion oder so, ja?
Und die anderen machen es mit Stift und Zettel.
Ich kann mir vorstellen, dass das schon echt hilft und jetzt Outline ist auch lustig.
Höre ich in letzter Zeit immer wieder.
Es ploppen dann einfach manchmal so Tools auf, von denen man noch nie irgendwas gehört hat und dann setzen die sich so Schritt für Schritt in Unternehmen durch.
Und dann, okay, dann kippt ihr erstmal alles, was an neuem Kontext passiert, rein, aber nicht ungefiltert, sondern es wird vorher aufbereitet.
Und jetzt ist der nächste Schritt dann zu schauen, weil das ist ja, sehe ich bei uns auch die größte Herausforderung, wie schaffe ich es Konflikte aufzulösen, die dann entstehen.
Also es ist einmal das dokumentiert, einmal das, das widerspricht sich, was ist jetzt richtig oder es ist irgendetwas veraltet und müsste rausgenommen oder archiviert werden.
Also das, woran ihr gerade arbeitet, da auch Prozesse drauf aufzusetzen, die dann auf dieser Kontextebene arbeiten und das immer wieder prüfen und hochziehen.
Im Moment ist der Gedanke, das wirklich durch einen Slack-Bot laufen zu lassen.
Das heißt, ich kriege dann immer wieder Vorschläge proaktiv von der KI in Slack und das muss dann jemand bestätigen, ablehnen oder nochmal editieren.
Und dann läuft die Schleife wieder zurück, sobald das geschehen ist.
Und genau, also das ist so.
Der aktuelle Stand, wo wir gerade stehen, aber wo es sicherlich noch eine ganze Meile zu gehen gibt.
Okay, also Slack, dann wird es an die Person gepinkt, die dafür verantwortlich ist und die hat dann die Aufgabe, das aufzulösen.
Entweder die Person oder das Team.
Da muss man auch nochmal unterscheiden, was ist jetzt wirklich individuelles Wissen.
Das hat zum Beispiel jetzt nichts auf Outline bei uns verloren.
Was ist Teamwissen?
Und da hat dann wiederum jedes Team seine eigene Collection, wie es ein Outline heißt, mit dem eigenen Knowledge-Artikel.
Und was wiederum ist aber auch Companywissen, also was ist wirklich für jeden bei Celebrate relevant.
Und da muss man dann eben auch nochmal unterscheiden.
Und je nachdem, gibt es unterschiedliche Stränge und Kanäle, wohin dann dieser freiger Prozess läuft.
Wir waren vorher bei den Use Cases und den Gentic Enablern.
Und ich wollte dich nochmal fragen, ob du so ein paar Beispiele hast, was die so in den Teams umgesetzt haben.
Immer so ein Gefühl dafür zu bekommen, was Leute so machen und bauen können, recht dezentral, wenn man ihnen die richtigen Werkzeuge und Zeit und Enablement an die Hand gibt.
Ja.
Also genau, ein Beispiel hatte ich ja vorhin schon angesprochen, das ganze CRM-Thema.
Also auch da haben wir eine Agentik-Enablerin in dem Team, die sich eben um die Automatisierung der Kampagnenkreation darum kümmert.
Den Prozess, den ich vorhin beschrieben habe, das ist so das Wunschziel, wo wir hinwollen, wo wir eben dabei sind, das nach und nach Schritt für Schritt zu iterieren, wo wir dann auch da wieder den gesamten Prozess auseinandergenommen haben, überlegt haben, was ist einfach, was ist schnell umsetzbar.
Und da sind wir gerade dran, wirklich da Schritt für Schritt das Ganze umzusetzen.
Also dann, um da nochmal einzuhaken, also nehmt ihr euch schon den Prozess vor, zerlegt den aber und baut den dann so Schritt für Schritt neu zusammen und geht nicht gleich daran, so wir müssen jetzt diesen Case Ende zu Ende komplett neu umsetzen, sondern zerteilt den in Phasen, die dann aufeinander aufbauen?
Ja, genau.
Also das meint man, macht es Sinn.
nicht so viel Sinn, wirklich zu sagen, okay, wir machen jetzt das gleich von Anfang bis Ende und irgendwie alles zusammen.
Das funktioniert aus meiner Sicht nicht.
Man muss schon gucken, was dann die elementaren Bestandteile, aus denen so ein Prozess besteht und was braucht denn auch jeder Bestandteil, um dann auch in Summe als System zu funktionieren.
Also da geht es dann auch darum, ebenfalls wieder vielleicht den einen oder anderen MCP einzurichten zu einem Newsletter-Tool, der bisher nicht vorhanden war, damit auch das alles miteinander spricht.
Und so gehen wir genau die einzelnen Schritte durch und dann am Ende stecken wir das so zusammen.
Und auf dem Weg dahin haben wir halt eben dann schon die ersten Teilautomatisierung, die laufen und den Prozess Stück für Stück mehr automatisieren oder je nachdem auch teilweise Teile automatisieren, weil wir natürlich nicht überall den Menschen aus dem Loop rausnehmen wollen.
Ganz im Gegenteil, wir wollen ihn da auch da ganz...
stark belassen, wo es Entscheidungen zu treffen geht, wo es um Geschmack, Taste geht, gerade in unserem Produktkontext ganz, ganz wichtig.
Aber alles, was repetitiv ist und wo auch, wie gesagt, die meisten nicht so mangelnd viel Spaß daran haben, das versuchen wir wirklich loszuwerden.
Genau, also weitere...
Use Cases sind beispielsweise auch im Finance-Bereich, wenn es um das Einsammeln von Belegen geht.
Auch so ein Use Case, den jede Firma kennt.
Die Finance-Abteilung wartet wieder darauf, dass die Kolleginnen und Kollegen ihre Belege einreichen.
Das haben wir mittlerweile.
Sie hassen es.
Sie hassen es so sehr.
Ja, ich glaube auch.
Berechtigterweise.
Und genau, da haben wir jetzt einen Bot, der eben guckt, okay, welche Geschäftsreisen wurden über unser Buchungstool.
gebucht und was ist durch und dann geht automatisch dieser Bot auf die jeweiligen Mitarbeitern.
Ah, cool.
Cool.
Akt, hey, reich das bitte ein, dann reichst du das ein und dann wird es automatisch weiterverarbeitet und du hast halt diesen ganzen Pain weg, irgendwie den Mitarbeitenden hinterher zu laufen, zumindest größtenteils.
Und ja, auch bei uns in der People, also HR-Unit, haben wir einen Bot gebaut, also der so die Standards...
Fragen und Antworten bedient, die viele Mitarbeitende regelmäßig haben.
Wir haben Büros in Deutschland und in Frankreich.
Was ist denn, wenn ich jetzt als deutscher Mitarbeiter in Frankreich arbeiten möchte, was muss ich berücksichtigen?
Das sind alles so banale Sachen, die häufig halt von Mitarbeitenden oder von den Kolleginnen aus der HR-Abteilung beantwortet wurden.
Und das können wir jetzt halt eben automatisieren.
Als nächstes, wenn ich jetzt beispielsweise in Frankreich arbeiten möchte und ein A1-Zertifikat dafür brauche, dann läuft halt dann dieser Prozess jetzt auch noch mal weiter.
Dann wird automatisch ein Ticket erstellt.
Da ist dann immer noch ein bisschen manuelle Arbeit dabei, aber so versuchen wir halt da eben unterschiedliche Prozesse zu automatisieren oder die Erstellung von Recruiting Briefings.
Wir suchen jemanden, eine Person, die wir einstellen wollen.
Da ist ja ganz, ganz viel Vorarbeit.
Wie sieht die Rolle aus?
Was ist das für ein Job?
Was ist das Anforderungsprofil?
Wie müssen wir das irgendwie so formulieren, dass es auch ansprechend klingt und auch irgendwie die Aufgabe rüberkommt?
Und dieser ganze Briefing-Prozess läuft dann.
Ja, also es gibt ganz, ganz viele Cases, die wir da wirklich in unterschiedlichen Teams nach und nach abarbeiten.
Ja, finde ich super spannend.
Tolle Beispiele, die mal wieder zeigen, wenn du die richtigen Leute hast, deine Probleme verstehst und die mit KI equipst.
Wobei man nicht alles damit dann lösen kann, aber du kannst ja noch KI nutzen, um Workflows zu bauen, wo gar keine KI drin ist.
Ja, und das ist tatsächlich auch gerade eigentlich in...
Also auch eine interessante Entwicklung, die jetzt auch gekommen ist dadurch, dass wir eben auch so die Engineering, das Know-how seit Anfang des Jahres mit dem Team haben.
Das heißt, wir haben früher diese ganzen Agents gehabt in Langdoc oder irgendwie auch teilweise Workflows in Langdoc.
Und das heißt, da wird dann die, macht dann das Modell, setzt das Ganze um.
Aber teilweise brauchst du ja eigentlich gar keine KI, wie du richtig sagst.
Und das heißt, wir haben jetzt einen...
Wir nennen das Launchpad-Plugin in Cloud-Code.
Das heißt, das kennt genau unsere Infrastruktur.
Das heißt, das weiß, wir bauen mittlerweile alle Workflows in 8n.
Das heißt, wir haben diesem Launchpad sämtliche 8n-Skills gegeben.
Das weiß, wie wir auch Prozesse umsetzen.
Das heißt, wir nutzen eigentlich nur noch KI, um Workflows zu erstellen, in denen dann in den allermeisten Fällen gar keine KI mehr selber vorkommt.
sondern die halt sehr zuverlässig laufen, deterministisch laufen und auch günstiger laufen, weil wir eben die Tokens nicht mehr durchballern sozusagen.
Genau, und dann wiederum unsere eigene Bilderplattform, wo wir ja einen Ort geschaffen haben, wo dann die Agentik Enabler beispielsweise ihre Dashboards publishen können, die dann in der gesamten Company genutzt werden können, auch mit...
Zugangsmanagement, Berechtigungen und so weiter.
Und auch das Plugin in Cloud weiß halt genau, wie funktioniert diese Plattform.
Wie publishen wir da Sachen?
Wie läuft das Ganze?
Also da ist sehr, sehr viel Zeit reingelaufen, um uns da eben auch so ein Stück weit autark zu machen, auch von Cloud oder von wie sie alle heißen.
Gibt ja auch die Artefacts in Cloud, die auch gerne genutzt werden, aber sobald etwas auch...
längere Zeit bleiben soll und von vielen im Unternehmen genutzt werden soll, wo du auch ein Berechtigungsmanagement brauchst, packen wir das dann eben auf unsere Bilderplattform.
Ja, ja, okay.
Spannend.
Also dann habt ihr euch zum Teil auch eine eigene Infrastruktur geschaffen, zum Teil nutzt ihr andere Tools wie N8N, habt da drüber euren Agent sitzen, was...
Claude ist, der aber genau diesen Kontext hat, der die Systeme kennt, der in die Systeme reinschreiben und reinarbeiten kann und dann eure zentrale quasi KI-Arbeitsumgebung und Anlaufstation ist.
Und wenn jetzt OpenAI mit Codex den besseren Agent hat, dann könntet ihr das doch wahrscheinlich schon relativ einfach umstöpseln, oder?
Man müsste schon noch die Skills und so mal rüberziehen.
Plugins vielleicht so ein paar Anpassungen machen, aber wahrscheinlich wäre es jetzt kein riesiger Aufwand.
Also jetzt nichts, worum wir uns reißen, das zu tun.
Also im Moment stabil mit Cloud, aber grundsätzlich genau ist das die Idee, dass man das eben relativ leicht auch auf andere Tools übersetzen könnte, wenn man das möchte.
Okay.
Du hast mir mal erzählt, dass ihr mittlerweile teils mehrtägige Hackathons macht, auch mit den Business Teams und dass das so ein Beschleuniger auch war in einigen Bereichen, die Cases zu finden und dann aber auch so schnell, sehr, sehr schnell in diesen MVP-Status zu kommen und etwas Nutzbares stehen zu haben.
Da habt ihr ja mittlerweile auch echt viel gemacht.
Was würdest du sagen, wie macht ihr heute Hackathons anders?
Oder was habt ihr gelernt im Vergleich von vor einem Jahr?
Am Anfang ging es ja letztendlich los, wir haben gesagt, wir wollen den Hacker-Fun machen und dann kamen alle.
Welt-Ein-Raum, Pizza, Cola.
Da wir ja tatsächlich Remote-First unterwegs sind, auch häufig in einem Remote-Setting, was es manchmal auch nochmal ein bisschen komplizierter macht.
Ja, und dann ging es eben los.
Was wollen wir denn überhaupt erreichen?
Und dann haben wir teilweise häufig irgendwie den ersten halben Tag damit verbracht, um teilweise Zugänge einzurichten, zu überlegen, okay, was könnten wir denn jetzt bauen und irgendwie Erklärungen zu geben, sodass die nächsten Schritte eins, zwei, drei.
So, da sind wir heute zum Glück ganz weit von entfernt.
Also mittlerweile ist es so, dass wir wirklich Hackathon sehr gut vorbereiten.
Das heißt, im Vorfeld ist ganz klar, was ist der Scope.
des Hackathons, was ist das Ziel, was soll am Ende auch bei rauskommen und was sind die Use Cases, die dann auch von wem umgesetzt werden sollen.
So, und dann sammeln wir erstmal im Vorfeld die Use Cases und dann werden wir den Hackathon begleiten, manchmal machen das die Teams auch mittlerweile selber, dann gucken wir uns die Use Cases auch im Vorfeld nochmal durch und bewerten die.
Sind die dann auch realistisch gesetzt für den Zeitraum, den wir haben?
Ich denke so zwei Tage mindestens.
macht Sinn, um auch wirklich einen Progress zu haben.
Weil auch da haben wir ganz häufig gesehen am Anfang, dass jemand dachte, okay, jetzt Backathon, cool, habe ich Zeit, etwas zu bauen und setzt sich irgendwelche utopischen Ziele vor so einen Use Case, für den man dann eigentlich vielleicht zwei Monate bräuchte, wenn man den umsetzen möchte, irgendwie Komplettautomatisierung von einem sehr komplexen Case.
Und das funktioniert natürlich nicht.
Deswegen haben wir dann eben auch versucht, das im Vorfeld...
Feedback zu geben und sagen, hey, wie könnte man das kleiner schneiden?
Womit könnte man denn anfangen?
Auch gerade ganz viele Reporting Cases, die dann gebaut werden wollten.
Was brauche ich denn dafür?
Ich brauche saubere Daten.
Was sind denn überhaupt saubere Daten?
Kann ich da nicht einfach meine Excel-Liste irgendwie reinwerfen?
Nee, kannst du meistens nicht.
Die müssen schon in einem gewissen Format folgen, damit die Daten auch von der KI sauber verarbeitet werden können, ohne da jetzt 10.000 Fehler zu machen.
Laut solche Sachen versuchen wir dann im Vorfeld zu klären, damit wir dann beim Hacker von selbst wirklich direkt einsteigen und loslegen können.
Wir machen dann meistens eine Info.
Jeder stellt auch kurz vor, woran er oder sie arbeiten möchte.
Und dann haben wir quasi immer am Ende des Tages einen Checkout und sagen, wo stehen wir gerade?
Was braucht es für den nächsten Tag?
Was gibt es vielleicht auch für Patterns, die wir dann in der Runde sehen, wo wir dann auch nochmal als AI-Team nachschärfen können und irgendwie den nächsten Tag nochmal ein bisschen anders gestalten.
Und am Ende gibt es dann immer die Show-and-Tell-Session, wo dann auch wirklich jeder konkret nochmal zeigt und auch erklärt, was wurde gebaut, was hat gut funktioniert, was hat vielleicht auch...
gar nicht funktioniert und ist auch völlig okay, wenn man dann am Ende dasteht und sagt, ja, Mist, ich habe leider nichts zu zeigen, weil es mir gerade fünf Minuten vorher mein Use Case zerschossen hat und der jetzt nicht mehr funktioniert.
Hatten wir auch schon.
Gehört aber auch dazu, zu dieser Learning Journey.
Und das ist das, was ich eingangs meinte.
Das ist einfach ein zeitaufwendiger Prozess und du lernst nur, wenn du selber baust und dir die Zeit dafür nimmst.
Und das passiert halt in diesen Hackathons.
in erster Linie, weil sie dann jeder, der teilnimmt, einfach das klare Mandat hat, alles andere auszuschalten, keine Slack-Notifications anzuhaben, keine anderen Termine zu haben und dann passiert da auch wirklich was und dann merkst du halt irgendwie, ah, wenn das geht, ach krass, dann kann ich ja vielleicht auch noch das andere machen und dann geht so los, so diese KI-Denke und so langsam das Verständnis und irgendwann dann eben auch dieses systemische Denken, wenn du das ein paar Mal gemacht hast.
Okay, aber es sind dann also zwei Tage, die ihr dann...
Zwei Tage, manchmal drei Tage.
Wir hatten auch schon eine ganze Woche, wo sich alle Engineers eingeschlossen haben und auch wirklich versucht haben, dieses Engineering-Plugin dann eben zu bauen und zu optimieren, sodass wir einfach noch schneller werden im Beschreiben der Requirements und wie muss der Code, also ist in dem Repository alle relevanten Informationen enthalten, die die KI braucht, um das dann entsprechend in der Umgebung zu bauen und so weiter.
Habt ihr einen festen Zyklus, in dem ihr sowas immer mal wieder macht?
Nee, wir haben jetzt keinen festen Zyklus.
Wie gesagt, mittlerweile selbstständigt sich das auch so ein Stück weit, dass gar nicht mehr wir so zentral gesteuert da die treibende Kraft sein müssen, sondern vielmehr gibt es auch immer wieder, dass die Teams selber merken, hey, wir wollen irgendwie an Thema XY arbeiten, lass uns mal zusammenkommen zu einem Hacker-Fan und dann werden wir angefragt, ob wir eben unterstützen können und kommen dann auch gerne dazu.
Aber so die Organisationen...
rutscht auch immer mehr so dezentral, wie es ja eigentlich auch sein sollte und was ja auch das Ziel ist.
Von daher, das ist eine sehr schöne Entwicklung, die wir da gerade sehen.
Stark.
Wenn du jetzt mal zurückschaust, anderthalb Jahre oder 15 Monate meintest du jetzt, das klingt so, als wäre dir schon viel, viel länger auf dem Weg.
Welchen Impact hatte das auf das Unternehmen?
Woran kannst du das festmachen?
Ich glaube, manche Sachen sind ja nicht jetzt hart messbar.
Also wie jetzt das Wissensmanagement sich beispielsweise verbessert hat, kann man ja wahrscheinlich keine Eurozahl oder sowas da hinten dran schreiben.
Schwierig.
Wir haben natürlich schon, als wir die ganzen Use Cases runtergeschrieben haben und bewertet haben, versucht, eine Eurozahl dahinter zu schreiben.
Also indem wir einfach geguckt haben, wie viel Geld geben wir da aus im Sinne von Arbeitszeit, die da reinfließt und was machen wir da frei.
Frei heißt jetzt nicht im Sinne von, wir nehmen die Mitarbeitenden raus, sondern wir geben den Mitarbeitenden Zeit für etwas anderes, für neue Dinge, für Dinge, zu denen sonst in der Vergangenheit nie die Zeit gewesen ist, weil wir halt einfach zu sehr in repetitiven Dingen drin gesteckt haben.
Aber, also erstmal, ich glaube, grundsätzlich so die Arbeitsweise oder beziehungsweise das Thema AI vor 15 Monaten und heute, das hat einfach einen ganz, ganz anderen Stellenwert.
Ich sehe, es ist Teil von jedem All Hands.
Wir haben ganz viele Formate, wo wir regelmäßig uns austauschen und jeder kommen kann und Dinge präsentiert, was hat man gebaut und so weiter.
Also das ist auf jeden Fall mittlerweile fest integriert in die Teams.
Wir haben auch ganz klar gesagt, Also wir als zentrales Team, wir können das auch gar nicht 100% ownen.
Das muss eigentlich in die Verantwortung der jeweiligen Leads, also der Board Member und der Unit Leads.
Und da liegt auch jetzt mittlerweile die Verantwortung, dass es da ein Progress gibt, weil sie wiederum die Roadmap ihrer Bereiche verantworten und auch die Prioritäten vergeben.
Das heißt, das war auch nochmal ein ganz großer Hebel, um da nochmal schneller voranzukommen.
Und ja, also am Ende, wir messen natürlich nach wie vor, wie viel Zeit haben wir uns eingespart bei dem anderen.
Aber wir machen ja AI nicht, weil wir irgendwie AI-Weltmeister werden wollen, sondern wir machen ja das Ganze, um unsere Business-Ziele zu erreichen, die immer sehr ambitioniert sind.
Das heißt, wir wollen da nochmal sehen, AI als Enabler, unsere Business-Ziele zu erreichen.
Und das ist eigentlich die harte KPI, die wir messen.
Erreichen wir unsere Business-Ziele, unsere strategischen Ziele?
Und daran sieht man dann eben in den einzelnen Bereichen, okay, wie gut kommen wir voran?
Das ist natürlich KI nicht immer nur der einzelne Punkt.
der darauf einzahlt, aber halt schon ein relevanter teilweise, wenn es um Effizienzen geht.
Abgesehen davon haben wir natürlich auch teilweise Output, manchmal Outcome KPIs in den unterschiedlichen Bereichen.
Beispielsweise im Service, so wie sind unsere Service Costs per Order.
Wie entwickeln die sich?
Das ist eine super Outcome Driven Number, wo ich sehe, okay, wie verhält sich das?
Wirkt die Automatisierung?
Haben wir auch noch nicht für alle Bereiche ganz klar definiert.
Sind wir aber auch dabei, für jedes Team eigentlich gewisse Ziel-KPIs zu definieren, wenn sie nicht schon vorhanden sind, wie wir es möglichst messbar machen.
Ja, ich glaube, das macht Sinn, nicht nur auf die Nutzungsraten und Ähnliches zu schauen, sondern das tatsächlich mit den Zielen zu verbinden.
Ich glaube, es ist dann sehr schwer herauszuarbeiten, was dann der tatsächliche Impact ist, aber es gibt ja auf jeden Fall eine Korrelation.
Ich gucke mir vor allem auch den Umsatz und Gewinn pro Person an.
Das ist tatsächlich auch so etwas, was wir so als Gesamtziel KPI verwenden wollen, so EBIT pro Mitarbeiter oder Revenue pro Mitarbeiter.
Wobei auch da muss man natürlich gucken, Was zahlt da alles drauf ein?
Das sind natürlich ganz, ganz viele Faktoren, die darauf einzahlen.
Deswegen haben wir da eben so drei Layer am Ende.
Die Basis ist eben so, wie ist denn die Nutzung von KI-Tools?
Wie viele Tokens gehen da raus?
Wie viele Active User haben wir?
Das ist so die Basis.
Dieser mittlere Layer, das ist tatsächlich das, was ich gerade meinte, beispielsweise für den Servicebereich Cost per Order.
Oder im Design-Bereich, okay, wie viele Designs shippen wir oder bringen wir neu live und so weiter.
Der Output.
Output oder wie gesagt, im Service-Case ist es dann Outcome.
Genau, also muss man mal gucken.
Jeder Bereich gibt ein bisschen was anderes her und man muss natürlich auch schauen, wie macht man das überhaupt messbar.
Das ist auch nicht, wie du schon sagtest, nicht ganz einfach.
Und dann eben so der oberste Layer ist dann eben so dieses Revenue.
per Employee, was dann nochmal so einen insgesamten Eindruck vermittelt, wie wir gerade unterwegs sind als Unternehmen.
Was sind jetzt, wir haben September bis Ende des Jahres, was sind noch so die wichtigsten Weiterentwicklungen oder habt ihr nochmal irgendwelche größeren Dinge geplant, jetzt basierend auf eurem?
aktuellen Modell und Arbeitsmodus der Struktur, die ihr aufgebaut habt.
Das klingt ja jetzt schon so, als seid ihr in einem guten Modus angekommen, wo es vor allem darum geht, weiter umzusetzen.
Genau.
Also wie ich gesagt habe, sind wir mittlerweile bei den Agentic Enablern angekommen, was so die Struktur angeht in den Teams, merken aber eben auch durch die Arbeit der Kolleginnen und Kollegen in diesen Rollen, dass sie auch so ihre Teams mitreißen und anstecken und dass sich daraus auch so ein paar Personen ergeben, die da genauso Bock drauf haben und sich das organisch so eine Art Bilder-Community gerade entwickelt.
Also das, was wir anfangs mit den AI-Ambassadors versucht haben, aus dem Boden zu stampfen, ergibt sich nun von alleine.
Und das ist eigentlich genau das, wo wir hinwollen.
Das heißt, wir wollen immer mehr Personen in der Firma finden, die die da Bock drauf haben, die da keine Angst vor haben, sondern eben neugierig sind, sich damit zu beschäftigen.
Weil aus meiner Sicht ist das essentiell, um nicht nur bei uns in der Firma, sondern generell am Arbeitsmarkt relevant zu bleiben.
Also zu verstehen, wie kann ich KI einsetzen, um den maximalen Nutzen daraus zu ziehen und das nicht als Gefahr zu sehen, wohl wissend, dass es da durchaus welche gibt.
Also das ist so auf der Enablement.
so das, was wir uns ganz klar vornehmen, da noch mehr Bilder zu entwickeln.
Darüber hinaus ist das eigentlich konstant und konsequent, unsere Use Cases weiter umzusetzen und auch immer wieder offen zu sein, okay, was ergibt sich daraus Neues?
Wir wollen unser Launchpad-Plugin weiterentwickeln, um zu sehen, okay, welches Feedback gibt es von den Nutzern?
Wie müssen wir unsere Bilderplattform weiterentwickeln?
All das...
Und natürlich, was tut sie auch am Markt?
Also da sind wir einfach konsequent dran, die Business-Ziele weiter zu verfolgen und unseren Beitrag dazu zu leisten.
Wie ist es mit deinem Team?
Ist das vollständig oder willst du hier noch einen Aufruf machen, ob man sich bei euch bewerben darf?
Aktuell würde ich sagen, sind wir vollständig.
Ich bin mittlerweile auch...
Fan von kleinen Teams, einfach mal weniger Abstimmung und man teilweise dadurch auch schneller ist und gerade wir uns natürlich selber versuchen, als AI-Team selbst zu multiplizieren durch den Einsatz von KI, was wir ja genau mit solchen Use Cases auch tun.
Von daher, für die Zukunft will ich da nichts ausschließen, aber für den Moment sind wir ganz gut aufgestellt.
Sehr gut.
Leading by Example.
Schwer bei Bene reinzukommen, aber vielleicht, wer jetzt hier angezündet ist und sagt, da hätte ich Bock drauf, in dem Umfeld zu arbeiten und mitzuwirken, sei der bestimmt offen für Initiativbewerbungen.
Wir schauen uns auf jeden Fall immer alles an.
Bede, vielen, vielen Dank.
Hat total Spaß gemacht, mal durch eure Learnings durchzumarschieren.
Spannend, wie weit ihr da gekommen seid.
Und ich nehme auf jeden Fall diese Enabler-Rolle.
Es wiederholen sich immer wieder Dinge in diesem Podcast in unterschiedlichen Varianten.
Aber dieses...
Top-Commitment, ja, auch gerade auch von eurem CEO, das sehr, sehr aktiv das Thema auch vorantreibt und dem eine hohe Relevanz zumisst, dann dadurch entstanden diese Rollen, die wirklich das nicht nur als so ein...
irgendwie Zertifikat irgendwo hängen haben, dass sie ein internes Training gemacht haben und da sonst nicht viel passiert, sondern die echte Zeit dafür haben und ein echtes, klares Mandat.
Gleichzeitig unterstützt von euch als zentralem Team, was Systeme und Strukturen schafft, um diese Leute wiederum in die Wirkung zu bringen, dass sie auch...
echt Dinge umsetzen können.
Ich glaube, diese zentralen Systeme, die ihr habt, auf denen jetzt aufgebaut werden kann und die einen gewissen Standard schaffen, insbesondere eine Daten- und Systemgrundlage, ist, glaube ich, klasse.
Und dass ihr eure eigene Infrastruktur aufbaut, auf der ihr wirklich eigene Lösungen mit KI drauf aufbauen könnt.
Das waren zumindest jetzt mal so die wichtigsten Punkte, die bei mir hängen geblieben sind.
die da wahrscheinlich sehr zu dem Erfolg beitragen.
Und ich wünsche euch da einfach weiterhin frohes Schaffen.
Bin gespannt, darf das ja noch so ein bisschen mitverfolgen.
Bin gespannt, wo ihr da in Zukunft noch hinkommen werdet.
Ja, also sehr, sehr gerne.
Hat mir Spaß gemacht, das Gespräch.
Und ich kann nur sagen, ich glaube, man muss den Leuten in der Firma einfach so ein Guidance geben und auch eine Anleitung und wie sie es einsetzen können.
Weil das ist neu für uns alle.
Wir lernen alle jeden Tag dazu in dem Kontext.
Von daher.
Ja, neugierig bleiben und einfach selber machen.
Das ist, glaube ich, die Devise.
Perfektes Schlusswort.