# IBM Client Zero: Scaling Agentic AI ROI

**Podcast:** AI FIRST Podcast
**Published:** 2026-10-09

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute zu Gast ist Dr.
Lisa Precht, die bei der IBM für KI in der DACH-Region verantwortlich ist.
Und ich spreche mit Lisa heute über die Lage der KI-Adoption im DACH und vor allem darüber, wie IBM den Client Zero-Ansatz genutzt hat, um mit gutem Beispiel voranzugehen, die KI-Transformationen von innen heraus zu gestalten und dabei zu lernen, worauf es ankommt, um damit auch den eigenen Kunden zu helfen.
Ich bin gespannt, welche Erfahrungen ihr auf diesem Weg gesammelt habt.
Lisa, schön, dass du hier bist.
Ja, hi, freut mich sehr.
Erzähl doch einmal kurz, wer du bist und was du bei der IBM machst.
Ja, du hast mich eigentlich schon sehr gut vorgestellt.
Also mein Name ist Lisa.
Ich treibe in der IBM DACH unsere KI-Strategie.
Versuche also einfach immer genau zu verstehen, was brauchen die Kunden.
Wie müssen wir uns auch aufstellen, um ihnen optimal helfen zu können mit unserer Technologie?
Damit hast du ja einen großartigen Blick wahrscheinlich über ganz viele unterschiedliche Branchen und Unternehmen.
Aus der Perspektive heraus, wie bewertest du denn die aktuelle KI-Adoption?
Ja, man kann tatsächlich sagen, dass KI wirklich in der Breite angekommen ist, dass das ganz massiv adoptiert wird, dass auch wirklich ganz massiv investiert wird.
Es wurde gerade eine ganz aktuelle Studie dieses Jahr veröffentlicht, an der mehr als 2000 CIOs und CTOs teilgenommen haben, wo man festgestellt hat, es sind jetzt so durchschnittlich 1200 KI-Agenten pro Unternehmen im Einsatz.
Wie zielführend, ist natürlich eine andere Frage, aber da passiert gerade einfach massiv viel.
Alle möchten hier vorne mit dabei sein.
Und die Zahl der KI-Komponenten wird auch nochmal weiter deutlich steigen.
In einer anderen Befragung haben zum Beispiel Führungskräfte gesagt, bis 2030 planen wir, dreimal so viele Modelle, viermal so viele Assistenten, fünfmal so viele Agenten und fünfmal so viele Workflows mit Agenten einzusetzen.
Das sind ja jetzt vor allem sehr, sagen wir mal, quantitative Leading Indicators, würde ich mal sagen.
Also am Anfang geht es ja erstmal darum, dass KI überhaupt erstmal ins Rollen kommt, dass man sich der Technologie annimmt, anfängt damit zu arbeiten.
Ein Podcastgast hat mal gesagt, dass man in die Hände nimmt und damit was ausprobiert.
Auf der anderen Seite hast du es ja auch schon gesagt oder angedeutet, wie zielführend ist es.
Vom McKinsey-CEO habe ich letztens ein Zitat gelesen, dass sie 60.000 Mitarbeiter haben und 25.000 davon KI-Agenten sind.
Jetzt ist die Frage, wer will 25.000 KI-Agenten oder auch nur 1.000 in seinem Unternehmen haben?
Ist das der richtige Weg?
Was hast du denn für Zahlen oder Erkenntnisse dazu, wie gut auch diese quantitativen Leading-Indikatoren von ...
Menge an Dingen, die gerade gebaut werden, sich auch in Ergebnisse umsetzen lassen?
Ja, ich glaube, ein paar Zahlen kennen ganz viele schon, wo man gesagt hat, okay, also die Zahl ist ja sehr viel auch durch die Presse gegangen.
Vielleicht fünf Prozent von KI-Piloten schaffen es wirklich in produktivem Einsatz.
Und was ganz spannend ist, wenn man auch jetzt ganz aktuell mit Technologieführern in Unternehmen spricht, stellt man fest, nur einer von drei sagt, unsere Investments in KI-Projekte haben sich wirklich rentiert, haben sich wirklich ausgezahlt.
Und das ist interessanterweise vor allem der Fall bei Agentic AI-Projekten.
Also auch wenn man in unterschiedliche Ausbaustufen von KI-Projekten reinschaut, bei Agentic AI-Projekten sagen es noch 16 Prozent, dass das zu erwarteten Geschäftsergebnissen geführt hat.
Bei klassischen KI-Projekten waren es noch über 50 Prozent.
Und mit klassisch meinst du dann so Machine Learning, prädiktive KI?
Ja, das wurde jetzt in der Studie nicht ganz genau spezifiziert.
Aber man sieht auf jeden Fall, ich meine, wir arbeiten ja alle schon mit KI seit längerem.
Und erst jetzt, wo es so in Richtung Agendic AI geht, haben sich vielleicht auch Erwartungshaltungen ein bisschen verschoben.
Die Technologie wird es schon richten, sodass man wahrscheinlich oftmals nicht mehr genau auf den Prozess guckt, technologische Anforderungen auch im Vorfeld klärt, sodass wir hier gut sehen können, je mehr diese ganz modernen agentischen Ansätze sind, desto schwieriger eigentlich mit einem Return of Invest.
Wie würdest du denn den Reifegrad von KI-Agenten heute?
Weil man könnte ja auch argumentieren, die Technologie ist einfach noch in einem frühen Stadium, vielleicht noch nicht reif genug, um wirklich in den skalierten Einsatz zu kommen.
Die andere Argumentation wäre, die Technologie ist bereit, aber die Unternehmen einfach noch nicht.
Ja, eine sehr gute Frage.
Also die Technologie ist auf jeden Fall bereit.
Und das galt ja auch schon vor Generative AI, also auch schon.
mit den klassischeren und regelbasierteren Systemen, dass die Technologie immer schon extrem viel konnte und das dann oft eher an der Umsetzung gescheitert ist.
Und das sehen wir heute auch oftmals wieder.
Und jetzt haben wir natürlich noch, dazu kommt die Komponente, dass sich die KI-Entwicklung halt so unglaublich überschlägt.
Also es ist unglaublich schwer für Unternehmen Schritt zu halten.
Auch mit dem, wie sie halt von der Infrastruktur her, von anderen Themen her aufgestellt sind, wird es einfach nochmal herausfordernder.
Aber man sieht ganz klar in Unternehmen, die sich das wirklich gut anschauen, die so ein paar Stolpersteine aus dem Weg geräumt haben, dass sie unglaublich erfolgreich mit der Technologie unterwegs sind, heute schon.
Was sind das für Stolpersteine, die weg müssen?
Ja, also ich glaube, das Thema, was ich am allermeisten sehe, ist dieses, wir möchten jetzt mal schnell anfangen.
Jeder kann einfach jetzt KI-Lösungen entwickeln im Unternehmen.
Oder ich habe ganz viele Lösungen jetzt noch eingekauft, die bringen auch schon alle KI-Lösungen mit.
Und wenn ich das nicht im Blick behalte, habe ich ganz viele verteilte Lösungen.
Mir hat mal ein Kunde gesagt, wir haben einen Bauchladen.
Bauchladen von...
KI-Lösungen, das trifft es eigentlich ganz gut.
Wenn die nicht miteinander integrieren, habe ich nachher ganz viele Datensilos und einfach ein sehr frustrierendes Erlebnis auch für die Mitarbeitenden oder die Kunden, die ja dann auch schauen müssen, für welches Ergebnis muss ich jetzt eigentlich wohin.
Also das heißt, wir haben einen ganz krassen AI-Sprawl, könnte man sagen.
Da findet man auch massiv negative Effekte in Studien.
Also die Unternehmen, die sowas mehr angeben, die haben auch größere Herausforderungen in Richtung Revenue oder andere positive Effekte, die man messen könnte.
Und dazu kommt halt, dass eben einfach die Pflege, das ganze Maintenement von diesen Lösungen dadurch extrem schwierig wird, wenn ich das Ganze nicht auch orchestriert bekomme.
Und dann ein drittes ganz wichtiges großes Thema ist, dass man oft das Thema Kontrolle und auch Governance so ein bisschen auslässt.
Also wir starten jetzt einfach mal, es muss losgehen.
Und entweder das ist dann so ein bisschen so ein Afterthought, das machen wir später, oder man kann gar nicht mehr Schritt halten.
Also die technologische Entwicklung galoppiert so davon, dass man vielleicht noch versucht, das irgendwie manuell nachzuhalten und wenn man es nicht gleich tiefenintegriert hat.
oder Verantwortlichkeiten nicht komplett geklärt sind, bevor man losgelegt hat, dann wird es einfach unglaublich schwer und mühsam, alles noch nachzuziehen.
Das sind so drei ganz große Themen.
Und dann kommt noch on top, dass man einfach das ganze Thema Betrieb unterschätzt.
Weil ein KI-Agenten zu bauen, das ist ja super schnell gemacht.
Da kann man auch schnell tolle Erfolgserlebnisse erzielen.
Aber alles, was dann halt noch dran hängt, also ...
Betrieb, Monitoring, Sicherheit, dass man das weiter verbessert, dass einen auch so Themen wie Kosten nicht davon galoppieren, weil man vielleicht sich für ein Modell entschieden hat, für alles, das ist mächtig und da wird plötzlich der Preis verändert, ich habe vielleicht noch ein Login.
Ja, und dann explodiert mir das plötzlich, weil ich es einfach stark von der Technologie her gedacht habe und weniger vielleicht auch von meinen Anforderungen her, was einfach auch sinnvoll ist, für welchen Anwendungsfall.
für welches Ziel und vielleicht auch meinen Technologiestack vorher nicht komplett aufgeräumt habe.
Ja, okay.
Spannende Punkte.
Ich habe, als ich dir zugehört habe, noch gedacht, wann...
Sagt sie, dass die Daten nicht zugänglich oder sauber sind?
Oder wann sagt sie, dass vielleicht Prozesse noch in einer alten Welt, für eine alte Welt gebaut und gedacht sind und KI dort wirklich nur punktuell was machen könnte, weil so viele Übergaben, Medienbrüche, Warteschleifen, was weiß ich was gibt, die es gerade noch gar nicht erlauben, dass man so einen schönen durchgängigen Prozess hat?
Wie blickst du da drauf?
Das ist absolut richtig.
Also in ganz vielen Unternehmen ist die Datenstrategie im Moment noch nicht komplett zu Ende gedacht.
Das heißt, das ist was, was ich eingangs versucht hatte, ein bisschen anzuschneiden mit den Datensilos.
Ohne gute Daten, ohne dass auch die Zugriffe komplett geklärt sind, auch die Zugriffsrechte.
kann ich mit KI keine guten Ergebnisse erzielen.
Und auch das Thema mit den Prozessen, und du hast ja vorhin auch schon dieses Client Zero-Thema angeschnitten, über das wir noch sprechen werden.
Das ist wirklich auch das, womit es steht und fällt.
Habe ich die Prozesse wirklich gut analysiert, habe ich auch verstanden, wo mir KI überhaupt womit helfen kann.
Und bin ich auch dazu bereit, die Prozesse auch wirklich anzufassen.
Natürlich kann ich auch mit kleineren Themen beginnen und dann einfach schrittweise skalieren.
Ich muss sagen, ich bin immer so ein bisschen skeptisch, wenn Leute sagen, nein, also du kannst nur erfolgreich sein mit KI, wenn du komplett alles auf den Kopf drehst und da ganz viel Aufwand betreibst.
Und na klar, also wenn ich ein komplettes Unternehmen neu aufstellen möchte in Richtung...
Effizienz in Richtung Automatisierung, da muss ich das auch tun.
Aber ich kann natürlich vorher auch schon ganz viel für meine Mitarbeitenden und auf Team-Ebene, auf Prozessebene erreichen, ohne das so komplett neu denken zu müssen.
Ich glaube, man muss ja auch die Realität von gewachsenen Strukturen und Unternehmen mal bedenken.
Und da gibt es einfach, also der Großteil der ...
Unternehmen da draußen, die vor allem auch den größten Beitrag zu unserem Bruttosozialprodukt haben, sind einfach schon mehrere Jahrzehnte, wenn nicht noch älter.
Da arbeiten oft hunderte bis tausende Menschen eben seit langer Zeit, sind einfach schon durch nicht nur eine Transformation, sondern viele durchgelaufen.
Und diese Realität, und die sind ja oft auch sehr erfolgreich gewesen mit dem, was sie tun, prallt jetzt einfach auf ein neues...
Tierchen an Technologie mit neuen Fähigkeiten, Qualitäten und vor allem einem exponentiellen Wachstum, was es so in der Form noch nicht gab.
Und ich glaube deswegen, sich jetzt auf die richtigen Dinge zu konzentrieren und gleichzeitig immer schon so das Teleskop in die Zukunft griffbereit zu haben und so ein bisschen zu versuchen, antizipieren zu können, wo entwickeln wir uns dahin und was können wir heute nachhaltig verändern, um die noch weiter entwickelnden Fähigkeiten von KI richtig einsetzen können.
Das ist eine echt komplexe Aufgabe, aber doch so wichtig.
Und deswegen fand ich auch euren kleinen Zero-Ansatz so spannend.
Weil ich finde es immer toll, wenn Unternehmen ihre eigene beste Case-Study sind und sagen, es gibt ja den Spruch, die Frau des Schusters hat die schlechtesten Leisten.
Aber ich glaube, es kann ja auch ganz anders gehen, nämlich, dass man zeigt, wie es geht.
Jetzt ist es ja nur so, dass wir das alle zum ersten Mal machen, unser Unternehmen aufzustellen, sodass KI-Agenten beispielsweise darin arbeiten können.
Hat ja noch keiner so gemacht, auch wenn es der eine oder andere immer mal versucht zu erklären.
Aber irgendwie stecken wir da alle drin und kleinere Unternehmen kommen vielleicht ein bisschen schneller vorwärts, größere brauchen etwas länger dafür.
Aber das am eigenen Leibe zu spüren, ist ja eigentlich sehr spannend.
Magst du einmal erklären, dieser Client-Zero-Ansatz, was der für euch bedeutet?
wann diese Reise begonnen hat.
Ja, sehr gerne.
Genau, also wir behandeln uns selbst, unsere unterschiedlichen Geschäftsbereiche sozusagen als Kunde Null.
Bedeutet, dass wir unsere eigenen Technologien und auch unsere Consulting-Fähigkeiten auch immer intern einsetzen.
Und dann nutzen wir die gewonnenen Erfahrungen natürlich auch zur Verbesserung unseres Angebots.
Aber tatsächlich ist das gestartet.
Anfang 2023 mit dem ganz klaren Ziel ausgegeben von unserem CEO, zu sagen, wir wollen massiv viel produktiver werden, einfach als Unternehmen und dafür KI, Hybrid Cloud und Automatisierung nutzen.
Und das wurde dann eben ganz konsequent wirklich von unserem Top-Management, Top-Down gedacht und geplant, sodass man wirklich geschaut hat, wie sehen aktuell Prozesse aus?
Wie können wir Komplexität in den Prozessen eliminieren?
Also man hat wirklich auch stark vom gewünschten Ziel her, also vom gewünschten Ergebnis her gedacht.
Es gab auch einen Aufruf an Mitarbeitende zu überlegen, also gerade die, die unmittelbar betroffen waren auch von ersten Schritten in dieser Automatisierung.
Wie würdest du das denn wünschen, wie deine Arbeit halt idealerweise in einer perfekten Welt ablaufen würde?
Und dann ist man...
in die Prozesse wesentlich tiefer hineingegangen, hat die wirklich analysiert und geschaut, was können wir hier vereinfachen und wo haben wir hier die besten Möglichkeiten mit Automatisierung, mit KI dann zu optimieren.
Und wir haben wirklich es geschafft, seitdem wir begonnen haben, also im Verlauf von zwei Jahren, ein bisschen länger als zwei Jahren, 4,5 Milliarden US-Dollar einzusparen.
Und zwar, das war bis Jahresende des letzten Jahres.
Und das sind nicht nur jetzt KI- und Automatisierungseffekte, sondern, wie du ja eingangs gesagt hast, am Ende steht und fällt es eben mit den Gesamtprozessen, mit den Abläufen.
Und wir haben einfach auch sehr viele operative Kosten sparen können.
Wir haben unsere Infrastruktur optimiert.
Wir konnten Technologien auch vereinfachen.
Wir konnten Betriebsmodelle verändern, optimieren.
Und klar, war KI ein ganz wichtiger Faktor dabei.
Und es ist jetzt auch zunehmend, um halt genau das auch zu tun, um Prozesse zu analysieren jetzt wieder.
Das ist ein iterativer Prozess.
Wir sind da ja weiter dran.
Genau, das ist, wie wir, ich sage mal, das Kunde-Null-Konzept bei uns leben.
Können wir da mal in so ein Beispiel.
reingehen, vielleicht auch aus deinem Team oder so.
Würde mich mal interessieren, was habt ihr in diesem Prozess, vielleicht aus, also in diesem Prozess, über einen Prozess, in dem ihr gearbeitet habt, gelernt und wie habt ihr den dann zum Beispiel neu aufgestellt, vielleicht eine neue Datenbasis, neue Verantwortung, Rollen verändert, wie auch immer, damit beispielsweise über agentische KI dieser Prozess schneller, besser durchgeführt werden kann.
Ja, gerne.
Ich würde mal einfach so ein bisschen einen Gesamtüberblick geben, in welchen Bereichen wir gestartet sind.
Wir sind nämlich vor allem im Bereich HR gestartet, wo ich natürlich nur mehr so als Endnutzende berichten kann, wie sich das für mich angefühlt hat.
Und dadurch, dass wir dort gestartet sind, ist das auch der Bereich, wo wir ...
schon am meisten inzwischen erreicht haben also wenn ich jetzt weiß mitarbeiter weißt du warum hr also ganz viel passiert ja gerade marketing sales würde dann top line wachstum hast oder ja gut ich meine hr ist natürlich ein cost center in der regel aber ja auch oft gar nicht so der größte bereich im unternehmen hast du da Weißt du, warum ihr damit gestartet seid?
Ich kenne nicht da, ich sag mal, die ganz genauen Daten.
Ich weiß aber, dass man wirklich alle Bereiche und alle Prozesse analysiert hat, geschaut hat, wie ready ist der Bereich auch für Automation.
Also genau, was du vorher gesagt hast, können wir auf die ganzen relevanten Daten zugreifen, sind die schon integriert genug.
Und ich meine, das hat man überall begonnen.
Aber ich nehme an, hier hat man einfach die beste Ausgangssituation vorgefunden.
Und unsere HR-Kollegen, wir sind ein sehr, sehr großes, komplexes Unternehmen mit verschiedensten Märkten, anderen wie der HR-Bedingung in jedem Markt.
Da laufen einfach unglaublich viele Anfragen zusammen.
Das merkt man auch daraus.
Eine so eine Kennzahl ist, dass wir zum Beispiel jetzt schon mehr als eine Million Interaktionen im Jahr automatisieren.
Und da merkt man, das sind ja nur die Sachen, die wir automatisieren heute, wie viel einfach bei den Kollegen aufläuft.
Und ja, ich nehme an, da hat man einfach eine sehr gute Ausgangsbasis vorgefunden.
Wir hatten auch schon, bevor wir jetzt die neuen OKI-Möglichkeiten hatten, weil ja auch für uns hat diese Entwicklung rasant stattgefunden, mit anderen.
KI-Möglichkeiten, Automatisierungsmöglichkeiten in den verschiedenen Bereichen begonnen und vielleicht war hier einfach die Ausgangslage eine besonders gute.
Genau und das hat man dann interaktiv fortgeführt.
Also man hat das für HR gemacht, aber auch für unseren IT-Bereich, auch für Sales, aber erstmal so für allgemeine Anfragen rund um Sales.
auch den Einkauf.
Und das Spannende ist, dass man dann gesagt hat, gerade als Agent DKI also massiv aufkam, wir optimieren das weiter für diese Bereiche.
Wir wollen aber unsere Mitarbeitenden eigentlich nur noch einen Agenten zur Verfügung stellen, der Zugriff hat auf alle Lösungen im Unternehmen.
Das heißt bei uns Ask IBM.
Und das heißt, ich kann jetzt einfach mit diesem System interagieren.
Und das kann autonom orchestrieren, was das richtige Tool ist für meine Frage.
Also muss ich vielleicht doch mit einem Menschen verbinden, weil es so komplex ist von der Anfrage her?
Oder kann ich einfach komplett automatisierten Prozess anstoßen?
Zum Beispiel, wenn ein Mitarbeiter versetzt werden soll, kann das schon vollautomatisch passieren.
Kann ich einfach über Agentic Retrieval Augmented Generation die richtige Antwort aus unterschiedlichen Systemen und Unterlagen zusammenfassen, an die richtigen Stellen verweisen.
Und das Spannende ist, dass das System auch in einer Konversation eben den ganzen Kontext hat und eben die Möglichkeit hat, auf all diese Themen zuzugreifen.
Und ich kann dann einfach davon profitieren, dass wir über die letzten Jahre das für die verschiedenen Bereiche automatisiert haben, sodass ich jetzt einfach nur noch innen bin.
in einer Unterhaltung das alles zugearbeitet bekommen.
Das wäre jetzt so ein Beispiel, wie wir es am allerhäufigsten nutzen oder wo wir schon am meisten automatisiert haben, sagen wir es mal so.
Natürlich haben wir auch ganz viele Tools.
Man muss ja auch differenzieren.
Betrachtet man den Mitarbeitenden, betrachtet man Teamabläufe, dann vielleicht noch größer gefasste Workflows und dann wirklich das komplette Unternehmen.
Automatisierung, die wirklich ja, ganz massiv sich dann durchs ganze Unternehmen zieht, wo man auch ganz große Prozesse dann auch für anfassen muss und Daten ganz anders aufsetzen muss.
Und auch auf der individuellen Ebene, das ist dann so mein tägliches Erleben, da haben wir natürlich auch ganz viel gemacht, haben ganz viele verschiedene KI-Tools, die mir einfach das tägliche Arbeiten erleichtern.
Aber ich finde schon das ganz Beeindruckende, dass dieses Kunde-Null-Konzept auch ausmacht, das ist wirklich diese ganz...
großen Prozesse zu automatisieren und auch zusammenzubringen für die Mitarbeitenden.
Und da sieht man auch, wie massiv viel Geld und Zeit wir da einfach einsparen können.
Jetzt hattest du am Anfang gesagt, dass ein Unternehmen im Schnitt 1200 KI-Agenten einsetzt, glaube ich.
Korrigiere mich bitte, wenn die Zahl falsch war.
Du hast jetzt gesagt, ihr habt eigentlich nur noch einen.
mit dem ihr interagiert, der dann aber wiederum darunter verschiedene Anwendungen orchestrieren kann, um die Aufgabe zu erledigen.
Wie seid ihr da hingekommen oder hattet ihr auch mal den Weg, dass ihr alle möglichen Agenten in allen möglichen Teams und Bereichen gebaut habt und habt das dann wieder zusammengeführt oder wie war diese Journey?
Ja, ganz genau so.
Und auch gar nicht Agenten im ersten Schritt.
Also wir haben wirklich noch ganz klassisch mit den regelbasierten KI, Chatbots gearbeitet.
Da habe ich auch, ich komme tatsächlich ursprünglich aus dem Bereich Conversational AI, habe das bei der BMW Group lange getrieben und habe für ein Team auch genau so ein Bot-Projekt auch mal begleitet.
Also wie können wir sowas optimieren?
Das war ein Assistent, an den sich die Kunden wenden können mit Fragen zu unseren Produkten.
Und das war wirklich einfach noch Ja, ganz klassische alte Welt, wo man jede Frage konzipieren musste, jeden Ablauf, damit es einfach eine gute Experience ist, damit, wenn ich irgendwo anders abbiege im Gespräch, das nicht alles zusammenbricht und ich ein total frustrierendes Erlebnis habe.
Und genau so sind wir natürlich auch gestartet.
Oder mit ganz klassischer Automatisierung.
Und wir haben dann geschaut.
Wie können wir diese ganzen Themen auch weiterverwenden?
Generative AI ist ja auch nicht die richtige Lösung für alles.
Wir haben da ja auch immer, ich sage mal, ein Restrisiko.
Klar kann man ganz vieles so aufsetzen, dass das extrem gering ist, aber es gibt einfach auch immer Themen, da möchte man regelbasierter vorgehen und das kann man natürlich auch mit Agendic AI machen.
Aber ich bin mir sicher, die Kollegen haben da...
viele dieser ursprünglichen Konzepte einfach auch wieder integriert.
Und das macht AgendaGai auch so unglaublich wertvoll für ein Unternehmen, dass ich das jetzt trotzdem automatisiert alles zusammenbringen kann.
Das ist schon bemerkenswert.
Also solange ich dieses Thema, auch wenn das eine andere Logik noch war, gut beschreiben kann, kann mein Agent das für die Nutzenden einfach optimal zusammenbringen.
Okay, also ist das ein Agent?
Der hat aber dann verschiedene Tools.
Beispielsweise kann der auch einen regelbasierten Prozess anstoßen.
Ganz genau.
Kurz in eigener Sache.
Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung.
Mit einer 5-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns, sichtbarer zu werden und AI First weiterzuentwickeln.
Für dich und die gesamte Community.
Ich danke dir.
Bei mir kommt jetzt voll der Confirmation Bias durch, merke ich gerade, weil ich da draußen sehr viel dafür plädiere, nicht anzufangen, KI-Agenten als Mitarbeiter in irgendein Organigramm einzubauen und dem einen Namen und ein Gesicht zu geben, weil das ist nicht...
damit stecken wir KI in irgendein Konstrukt mit Restriktionen, was diese Technologie nicht hat, sondern eher das Unternehmen so zu bauen, dass eine KI alles kann, was das Unternehmen kann, alles weiß, was das Unternehmen kann, alles weiß, was das Unternehmen weiß, alle Regeln kennt, Zugriff auf alle Systeme hat und dann, wie du es schön beschrieben hast, darüber orchestrieren kann, je nach Anfrage und diese Dinge, Bausteine miteinander kombiniert.
Ja, ich muss auch sagen, jetzt einfach für mich persönlich gesprochen, Ich finde es auch einfach nicht richtig.
Also einmal gefällt es mir nicht, KI-Modelle mit Menschen zu vergleichen.
Und ich denke, es ist auch einfach nicht richtig.
Also und ich glaube, da wird man sich jetzt auch einfach finden müssen, richtig einzuschätzen, wie kann ich dieses Werkzeug KI an welcher Stelle optimal einsetzen.
Und abgesehen davon, dass Ich finde, dieser Mitarbeiter-Vergleich auch extrem hinkt.
Wie kann ich es auch auf eine Art und Weise machen, wo ich Kontrolle behalte und halt kosteneffizient für die Zukunft gut aufgestellt bin.
Wie entscheidet ihr denn bei euch oder auch mit euren Kunden, welche Aufgaben von KI und ich sage jetzt mal KI, KI-Agenten übernommen werden und an welchen Stellen auch Menschen noch?
bewusst eingebunden sind.
Weil das ist ja jetzt die Frage nach der Verantwortung.
Wie wird Arbeit neu organisiert und aufgeteilt, die sich gerade ganz viele Unternehmen stellen?
Ja.
In Kundenprojekten hängt das ganz massiv vom Kunden ab.
Man kann aber sagen, wie wir auch vorgegangen sind, also bei uns ist, dass wir einfach Prozesse bewerten.
Also wo haben wir besonders hohe Kosten?
Wo haben wir eine besonders hohe Durchlaufzeit?
Eine besonders hohe Fehlerquote?
Also was sind auch einfach Aufgaben, die der Mensch vielleicht nicht machen möchte?
Also wir machen das dann oft auch in einem Workshop einfach gemeinsam mit den ganzen Stakeholdern, auch gemeinsam mit den Mitarbeitenden, die nachher von dieser KI-Lösung profitieren sollen.
Und die haben ein sehr gutes Gefühl dafür.
Wo sind heute die Sollbruchstellen im Prozess?
Was sind auch einfach Aufgaben, wo sie aber noch sehen möchten, was ihnen dazugearbeitet wurde?
Wo sagen sie?
also wenn man die und die Regeln anwendet, da möchte ich eigentlich nur noch das Ergebnis sehen.
Und das kann man relativ schnell, was heißt schnell, also man kann es sehr gut identifizieren, wenn man da einen strukturierten methodischen Ansatz einfach hat.
Und prinzipiell sind das schon vor allem einfach klar definierte und repetitive datenbasierte Aufgaben, die einfach sehr geeignet sind für Agenten.
Hast du ein Gegenbeispiel, wo vielleicht heute viel KI-Agenten genutzt werden, wo sich aber eigentlich gar nicht so die Art der Arbeit dafür anbietet?
Oh, das ist eine gute Frage.
Ich erlebe es natürlich nur bei unseren Kunden, wo wir das natürlich immer optimal aufsetzen.
Klar, natürlich.
Ganz klar.
Nee, fällt mir jetzt direkt nichts ein.
Aber was ich natürlich schon manchmal merke, ist einfach, Dass man diesen Wunsch hat oder beziehungsweise man hat vielleicht das Erlebnis, man hatte so eine Aufgabe im privaten Bereich oder selbst schon beim Arbeiten, sagen wir, ich möchte was sehr Aufwendiges recherchieren und ich möchte dafür Quellen nachweise und ich möchte, dass davon irgendwas abgeleitet wird, Aufgaben oder so.
Da ist ja ein Prompt mit einem mächtigen Modell heute schon einfach extrem gut.
Viele sind davon extrem beeindruckt und stellen sich das dann einfach sehr ähnlich vor für einen professionellen Enterprise-Prozess, wo ich aber vielleicht ganz andere Themen berücksichtigen muss oder ganz andere Systeme ineinander greifen oder ich ganz anders darauf schauen muss, wie verhält sich das über Zeit, wie bleibt das auch kosteneffizient, wie bleibt das sicher, wie bleibe ich in Kontrolle und so weiter.
Und ich glaube, das ist mehr was, was ich sehe, dass man da eine extrem hohe Erwartung hat und glaubt, nur weil das jetzt so eine mächtige Technologie ist, könnte man jetzt anders an so einen Prozess rangehen oder die einfach anders einsetzen und einfach Schritte überspringen.
Das ist jetzt eher was, was ich hier und da erlebe, als das ich jetzt schon eingesetzt sehe an der Stelle, wo ich sage, das ist eigentlich gar nicht so sinnvoll.
Hast du mal so ein...
Beispiel-Case, wo man mal so richtig schön anschaulich beschreiben kann, wie eigentlich Agenten in so einem Prozess zusammenarbeiten können, um viel schneller und besser zu einem Ergebnis zu kommen, was ohne agentische KI so gar nicht möglich gewesen wäre.
Ja, ich habe da so ein Lieblingsbeispiel, das ich da mal ganz gerne benutze, einfach weil es aus dem öffentlichen Sektor kommt und ich glaube, dass sich viele von uns viel darunter vorstellen können.
Wenn wir uns jetzt zum Beispiel vorstellen, wir haben Mitarbeitende in der Elterngeldstelle, also die ganzen Anträge auf Elterngeld bearbeiten müssen, dann haben die eine Situation wie ganz viele, auch im Berufsalltag, da gehen unglaublich viele Anträge ein, haben also ein extrem volles Backlog.
Die müssen fristgerecht arbeiten und rechtssicher.
Das heißt, die dürfen sich keine Fehler erlauben.
Da geht es um Menschenschicksale und da geht es um Geld.
Und sie haben einen extrem hohen Prüfaufwand.
Also ich glaube, viele, die durch den Prozess, je nachdem, wo man lebt, mal durchgegangen sind, das kann beliebig komplex werden.
Und sie haben die Situation, dass dann ganz oft Sachen fehlen.
Also irgendeine Seite ist nicht richtig ausgefüllt worden oder fehlt einfach oder ein Dokument fehlt.
Das heißt, sie müssen auch entscheiden, bei den ganzen vielen Fällen, die ich heute bearbeiten muss, womit fange ich dann überhaupt an.
Und hier bei dem Prozess kann man sich eigentlich ganz schön vorstellen, wie KI...
hier zum Tragen kommen kann und was auch so ein paar Best Practices sein sollten, wenn ich mit so einem orchestrierten Multiagenten-System arbeiten möchte.
Also wenn wir so eine Mitarbeiterin haben, dann muss die ja die optimalen Arbeitsschritte priorisieren.
Und das ist eine Thematik, wo KI natürlich schon ganz massiv zuarbeiten kann.
Dann habe ich die ganzen unterschiedlichen Dokumente, die müssen dem richtigen Antrag zugeordnet werden.
Ich muss die Daten da herausbekommen.
Und wenn wir uns jetzt vorstellen, dass ein Teil der Anträge vielleicht auch noch handschriftlich ausgefüllt ist, dann möchte ich dafür vielleicht ein ganz spezialisiertes, kleines, kostengünstiges Modell nutzen, das nichts anderes macht, als deutsche Handschrift zu extrahieren und mir zu übergeben.
Und dann möchte ich vielleicht auch einen Agenten haben oder ein System haben, das schaut, sind die Unterlagen jetzt komplett, aber auch, ist das richtig?
Also wurden die richtig ausgefüllt?
Sind da Sachen inkonsistent?
Also widerspricht sich zum Beispiel eine Gehaltsangabe?
Da muss das Elterngeld berechnet werden.
Der Bescheid muss erstellt werden in den Prozessen, um den Prozess mal fertig zu machen.
Und die bekommen natürlich auch unglaublich viele Anfragen.
sagen wir mal, an unserer Elterngeldstelle der Zukunft, die bekommen die alle per Sprachnachrichten.
Und dann könnte ich mir auch überlegen, das soll noch transkribiert werden und ich möchte dann automatisierten Vorschlag, ich möchte wirklich auf Basis komplexer Gesetzestexte, dass nochmal die Frage optimal auch umformuliert wird und ich dann eine perfekte Antwort bekomme und da gleich auch eine E-Mail formuliert wird.
Und wenn wir uns jetzt diesen Prozess mal so anhören und die ganzen verschiedenen Schritte, ich finde, dann wird sehr schnell klar, wie verschieden die Aufgaben da drin sind.
Und ich denke, in der Zukunft wird einfach eine Best Practice sein, jede dieser Aufgaben mit einem anderen kleinen Modell umzusetzen, das halt eine andere Stärke hat, einfach auch nur das kann.
Und die Modelle können dann auch autonom agieren, können autonom ihre Tools benutzen, zum Beispiel ein Tool, das nichts anderes macht, als komplett regelbasiert das Elterngeld zu berechnen.
Da hat nämlich keiner Lust, nochmal drauf zu schauen, da darf nichts schief gehen.
Ja, da habe ich einen Agenten und der handelt autonom, aber der kriegt einfach nur ein Tool, wo einfach nur ein regelbasierter Code halt dann drin ist und dann das Ergebnis wieder übergibt.
Und das Spannende ist, ich kann jetzt all diese Agenten noch in einem regelbasierten Prozess verankern, wo ich sage, okay, und das ist ja ganz klassisch, Prozessautomatisierung.
Ich habe die ganzen Prozessabläufe.
Welchen Regeln folgt das, diese Arbeitung von so einem Antrag?
Ab wann kann ich überhaupt weiterarbeiten?
Also was für Dokumente dürfen fehlen, welche dürfen nicht fehlen?
Was sind die Arbeitsschritte?
Welche Zugriffsrechte hat meine Mitarbeiterin?
All das kann ich auf die Agenten übertragen.
Und das Spannende ist jetzt, ich skaliere jetzt so wie nie zuvor, jedes dieser einzelnen Modelle ist idealerweise einfach auf Knopfdruck austauschbar, wenn ich da ein Thema habe.
Die kann die alle gut monitoren.
Die können auch so der Kollegin zuarbeiten, dass sie sich das genau nochmal angucken kann.
Hey, was wurde denn hier extrahiert?
Zum Beispiel so eine handschriftlich ausgefüllte IBAN.
Da würde ich nochmal einen Blick drauf werfen.
Und trotzdem kann ich das so aufsetzen, dass die das eben genau mit den Zugriffsrechten nur dieser Kollegin tun und auch auf eine Art und Weise, dass hier eigentlich nichts schief gehen kann.
Also was heißt eigentlich?
Also natürlich.
kann meine Übergabe nicht klappen.
Und dann merke ich einfach, ich bekomme keine Antwort und muss das fixen.
Aber ich kann keine falsche Antwort bekommen in der Art und Weise, dass ich jetzt hier plötzlich einen Fehler habe in meinem Prozess für dieses Elterngeld.
Genau, ein bisschen komplexer.
Aber ich hoffe, dass man dem einigermaßen folgen konnte, ohne dass...
sehen zu können.
Und das Spannende ist halt auch, dann für jeden Schritt auch andere Technologien zu nutzen.
Also vielleicht nicht nur ein anderes Modell, sondern vielleicht auch eine Open-Source-Lösung für einen Schritt, wieder ein anderes Tool für einen anderen Schritt.
Und dann wird ja auch klar, wie leicht ich hier gut skalieren kann, wenn ich mich so flexibel aufstelle und nicht sage, okay, ein Modell, das mächtig ist und teuer ist, das macht irgendwie alles.
Und wie ganz genau, weiß ich auch nicht.
Das ist ein Ansatz, der, wenn wir wirklich in ja, ich sage mal, Enterprise-Prozesse reinschauen, ein sehr guter ist.
Immer mehr Unternehmen folgen ja auch so einem Plattform-Ansatz.
Sagen Sie, sie haben eine horizontale Plattform für alle.
KI-Anwendung oder für die Integration von KI in Prozesse, um diesen Bauchladen, den du am Anfang angesprochen hast, zu vermeiden und darüber auch eine gewisse bessere Kontrolle reinzubekommen.
Und was sich ja jetzt auch schon, würde ich sagen, ein großes Unternehmen als Best Practice etabliert hat, ist so ein modellagnostischer Ansatz.
Also, dass ich nicht nur auf die OpenAI oder Entropic-Plattform gehe, sondern dass ich über eine zentrale Plattform auf unterschiedliche Modelle Zugriff habe.
Was sind darüber hinaus jetzt noch so weitere Mechanismen, die du siehst, die Unternehmen etablieren, um über solche komplexen, durchgängigen Prozesse skaliert auf viele hunderttausend oder sogar Millionen von Durchläufen dort KI einsetzen zu können?
Ja.
Genau, also dieser Plattformansatz ist genau der richtige, genauso machen wir es auch.
Ist manchmal vielleicht ein bisschen frustrierend oder kontraintuitiv, weil man sich einfach eine fertige Lösung wünscht, die was ganz Konkretes kann, die ist einfach fertig und los geht's.
Aber mit diesen Lösungen ist es einfach unglaublich schwer zu skalieren.
Und auch der zweite Punkt, den du gerade genannt hast, das ist auch genau unsere Strategie, da komplett modelloffen zu sein.
Und so muss man sich auch aufstellen, weil einfach die Entwicklung rasant.
voranschreitet.
Das heißt, man muss einfach komplett flexibel und handlungsfähig bleiben mit der Lösung.
Wenn man so eine Lösung hat, dann muss man schauen, dass man wirklich das Thema Governance und Kontrolle tiefen integriert hat.
Das heißt, wenn ich da einen Agenten oder eine andere KI-Lösung anlege, dann muss ich wirklich über den kompletten Lifecycle, also wirklich von ich habe verschiedene Modelle ja zur Auswahl.
Wie kann ich die dann evaluieren?
Also wie kann ich denn feststellen für einen konkreten Anwendungsfall, für einen konkreten Datensatz mit diesem Prompt?
Was performt denn besser?
Was ist kosteneffizienter?
Wie kann ich auch ein ganz konkretes Tool überwachen?
Bekomme ich genau die Ergebnisse, die ich da erwarte?
Habe ich ein Modelldrift?
Habe ich andere Themen rund um Angriffe, Prompt Injections und so weiter?
Wie kontrolliere ich all sowas?
Wenn ich keine Plattform habe, die mir das von Haus aus einfach mit ermöglicht, solche Kontrollmechanismen direkt mit anlegen zu können und nicht nur eine Observability zu haben, also zu sehen, welche Agenten, welche Modelle habe ich im Einsatz, nicht nur die, die ich selber konzipiert habe, sondern auch die, die ich von extern anbinde.
Also der Anspruch muss auch sein, alle Agenten, die zum Beispiel schon in irgendeinem Tool drin waren, das ich einfach gekauft habe oder KI-Assistenten, egal ob agentisch oder halt noch regelbasierter, dass ich die da auch mit integrieren kann.
Ich brauche einfach eine zentrale Sicht, wie gesagt, in Richtung der Observability, aber auch in Richtung der Governance.
Wie sind denn meine Prozesse?
Wer ist wirklich verantwortlich?
Das ist wirklich ein Riesenthema, das viele Unternehmen noch nicht geklärt haben.
Wer ist dafür verantwortlich, dass es gut funktioniert, beziehungsweise wenn es nicht funktioniert?
Und was man auch in Studien feststellt, ist, dass die Unternehmen, die das gut geklärt haben, dass die auch besonders erfolgreich sind beim Einsatz von KI.
Oder ist das demokratisch das Richtige?
Ja doch, es wird demokratisiert, demokratisiert KI-Agenten-Workflows, kleine Anwendungen bauen zu können.
Und dann ist irgendwann die Frage, ja gut, wie gut funktioniert denn das eigentlich und ist da eigentlich das richtige Modell dahinter, was die beste Qualität zum besten Preis bietet.
Das Modell macht bei 10...
abfragen zehnmal, was unterschiedlich ist.
Aber das wollen wir ja gar nicht.
Wir wollen ja eigentlich immer das Gleiche machen.
Wie kommen wir da an die Qualität ran?
Und das ist ja dann die Pilotphase.
wo diese Anwendung dann stirbt, weil das Vertrauen nicht da ist oder die Kosteneffizienz nicht da ist oder die Varianz in den Ergebnissen zu groß ist.
Ich kann es, ich kann also, das ist noch zu viel Rauschen im Radio und ich kann noch nicht die Musik aufdrehen, weil dann rauscht es einfach nur noch lauter.
Und du sagst jetzt, die Unternehmen, die stärker aus dieser Phase rauskommen, die denken vor allem die Governance viel stärker mit, sodass beispielsweise eine neue Anwendung direkt mal durchläuft durch unterschiedliche Modelle.
durch unterschiedliche Tests, dann hast du dann eine Evaluierung von der Qualität der Ergebnisse, aber auch der Kosteneffizienz.
Das ist schon mal dann ein Haken und dann wird das auch fortlaufend gemonitort, dass wenn irgendwelche Abweichungen durch zum Beispiel auch die Modelle verändern sich ja auch.
Manchmal so ganz komischerweise, dass ein Modell ein halbes Jahr später sich anders verhält als vorher, dass sowas dann wieder aufploppt und das behandelt werden kann und diese Prozesse direkt integriert sind und nicht parallel irgendwie in einem Excel-Sheet oder so aufgebaut werden, wo man auch nicht so richtig fortlaufend den Überblick hält.
Das habe ich jetzt so ein bisschen salopp in meinen Worten nochmal wiedergegeben, um so zu verstehen, ob ich da so in die richtige Richtung...
Ja, du hast das wunderbar, ganz wunderbar nochmal auf den Punkt gebracht.
Und ich glaube, nur wenn man eine Plattform hat oder einen Plattformansatz hat, also ich spreche dann erstmal von der technologischen Lösung im Sinne von, wie integrierbar ist das in meinen aktuellen Technologie-Stack?
Wie integrierbar sind andere Lösungen?
Wie handlungsfähig bleibe ich und so weiter?
Das heißt ja nicht, dass jeder basteln darf.
Ich weiß, es wird viel so gelebt.
Aber ich glaube, das muss man trennen.
Habe ich also eine Technologie, die mich so aufstellt, dass ich einfach damit alles umsetzen kann in der Zukunft und gut skalieren kann.
Und die Frage, wer aber damit umsetzen darf, das ist natürlich nochmal eine andere.
Aber genau wie du gerade perfekt zusammengefasst hast, je mehr zentrale Sicht ich habe und je mehr Kontrolle und je mehr das automatisiert passiert, desto besser.
Kann ich mir gut vorstellen, dass das insbesondere für das Vertrauen und Vertrauen von Menschen in die technische Lösung ist.
Einfach super, super wichtig.
Dass das gewinnt, über das haben wir schon immer so gemacht.
Weil, funktioniert ja.
Also heute funktioniert der Prozess ja irgendwie, sonst würde man es ja nicht so machen und geht wahrscheinlich besser, aber funktioniert ja.
Bevor ich jetzt irgendwas nehme, wo ich mir nicht so ganz sicher bin, ob es funktioniert, mache ich es lieber so weiter, wie es funktioniert.
Aber wenn ich es beweisen kann, anhand von Daten und vielen, vielen Tests, die durchgelaufen sind, dass die Qualität, Kosten, alles positiv sind in der Rechnung, steigert das natürlich das Vertrauen.
Du hattest schon die Small Language Models angesprochen.
Fand ich spannend, so als so ein Trend, würdest du sagen, wir, also aktuell wird ja alles beworfen mit Large Language Models.
Wir nehmen also quasi im Bild gesprochen den Flammenwerfer, um uns die Zigarette anzuzünden.
Aber für viele Aufgaben, die heute so im Business stattfinden, braucht man nicht diese...
großen, komplexen und teuren Modelle, die sind vielleicht super, um neue Software zu entwickeln oder zu forschen oder komplexe Probleme zu lösen, aber viele Dinge im Business sind ja nicht so komplex, wenn wir ehrlich sind.
Also da siehst du ganz klar den Trend hin zu Small Language Models, weil mir das so, die begegnen mir einfach noch total selten.
Ja, total fairer Punkt.
Ja, also ich glaube, die Entwicklung wird hingehen zu einem Mix.
Dass man einfach wirklich schaut in so einem Gesamtprozess, was für konkrete Aufgaben habe ich denn?
Und mir begegnet es relativ häufig, einfach weil das die IBM-Strategie ist, sich mehr auf so kleine Modelle, also die eigenen Modelle, die wir haben, sind auch alles Open-Source-Modelle.
Die sind einfach für einen Industriekontext erarbeitet worden, die da halt eben besondere Anforderungen erfüllen wollen, sollen und die eben auch dafür geeignet sind, On-Premises deployed zu werden.
Und je stärker ich in dieses Thema möchte, Kontrolle, Souveränität, desto mehr bin ich natürlich auch dazu gezwungen, mich mehr mit diesen kleinen Modellen auseinanderzusetzen.
Und es ist ja genauso, wie du sagst, also für die allermeisten Prozesse ist das komplett ausreichend.
Vielleicht muss ich nochmal einen Extraschritt gehen, um zu schauen, dass das einfach optimal funktioniert, genau für diesen Arbeitsschritt.
Aber dann bin ich einfach viel besser aufgestellt für die Zukunft und auch für die fortlaufenden Kosten.
einer sehr sehr hohen qualität im vergleich zu ja ich benutze einfach irgendein modell dass das in irgendeiner cloud lebt da wo ich aber wie du vorhin gesagt hast manchmal über zeit sehr unangenehme dinge erlebe wo es mir plötzlich dann abläufe zerschießt weil sich das plötzlich anders verhält wir schließen die klammer noch und zwar möchte ich dir noch mal so die deine besten Tipps ab Luchsen, basierend auf eurem Client Zero Ansatz, den Erfahrungen auch der letzten Jahre.
Wenn du jetzt mit einem Unternehmen sprichst, die jetzt genau sich in dieser Situation befinden, es gibt vielleicht schon mal, wahrscheinlich noch so ein bisschen Tool Tool Wildwuchs, der sich aufgebaut hat, weil unterschiedliche Abteilungen auch mal losgelaufen sind.
Es wurde so top down, so ein paar größere Cases identifiziert.
Da steckt man jetzt genau in dieser Pilotphase und irgendwie...
kann man das Radio noch nicht richtig aufdrehen und das Team vertraut vielleicht noch nicht in den vollen produktiven Einsatz.
Du hast...
Demokratisch wurden angefangen, ganz viele Agenten aufzubauen, die aber nicht so richtig ineinander greifen und so individuelle Produktivität, ja, da merkt man was, aber es kann auch nicht so richtig realisiert werden.
Das ist ja oft so die Gemengelage, sag ich mal, ja, in ganz vielen Unternehmen gerade.
Wenn du sowas siehst und hörst, was würdest du dann so als erste Schritte mitgeben, um von da aus den Schritt zu machen in...
ja, den produktiven Ansatz von KI in Prozessen, was sich am Ende auch in Kosteneinsparung oder Umsatzwachstum auswirken kann.
Da war jetzt ganz viel drin.
Fangen wir vielleicht nochmal.
Ich wollte also die Gesamtsituation beschreiben, weil das ist immer wieder so das.
Absolut, genau so ist es.
Absolut, ja.
Und ich glaube, das wäre auch ziemlich.
abgefahrenes Unternehmen, wo es halt komplett anders wäre, weil ich sag mal, ab einer bestimmten Größe ist das einfach so, dass man mit diesen neuen Technologien eben exploriert und irgendwie anfängt und dann schauen muss, wie geht's weiter.
Aber vielleicht bevor wir in die Technologie schauen, einfach nochmal, weil das so oft, und das hast du ja selber vorhin auch schon erwähnt, ein bisschen aus dem Blick gerät, der Prozess einfach, ja, also ...
Wie habe ich den Prozess identifiziert, wo ich wirklich auch ein Business Nutzen habe, dass ich konkret dort jetzt KI einsetze?
Habe ich wirklich unnötige Schritte und Komplexität entfernt?
Also habe ich wirklich auch die Prozesse vorher entsprechend so angefasst, dass es jetzt Sinn macht, hier zu automatisieren?
Habe ich die ganzen Stakeholder involviert, wenn ich nämlich die Personen, die nachher mit der KI arbeiten sollen?
komplett aus dem Blick verliere, habe ich natürlich das Thema, dass ich nicht so gute Lösungen entwickeln kann, eins, aber auch, dass sie wahrscheinlich weniger dazu bereit sind, damit zu arbeiten.
Und dann sollte ich für so einen Piloten auch wirklich sagen, was möchte ich hier erreichen?
Also ich muss wirklich die Situation vorher messen und in ganz klaren KPIs auch benennen, was, ne, also ...
Was will ich hier sehen und das dann auch wirklich weiterhin messen und auch sagen, okay, hier reiche ich es nicht.
Also das sehe ich tatsächlich nur relativ selten, dass man das wirklich so methodisch aufzieht.
Und dann, klar, wenn ich jetzt schon gestartet bin und ganz viele verteilte KI-Lösungen habe, dann brauche ich unbedingt einen Plattformansatz, der es mir erlaubt, da eine Gesamttransparenz herzustellen, auch Shadow AI zu finden.
sodass ich einfach mir da die Kontrolle zurückhole, muss ich auch, um AI-Eck-konform zu sein in Zukunft.
Da schimpfen ja viele drüber.
Ich bin aber eigentlich um viele Anforderungen des EU-Eck-Ecks ganz dankbar, weil ich denke, auch um eine gute Qualität einfach umsetzen zu können, ist es einfach wichtig, diese Sachen zu dokumentieren, entsprechende Prozesse dafür aufzusetzen.
Ich brauche eigentlich eine Control-Plane.
die es mir wirklich erlaubt, zu sehen, was betreibe ich, was funktioniert gut, zu welcher Qualität.
Und für das eine oder andere Unternehmen ist das jetzt vielleicht nochmal ein müßiger Prozess.
Aber das Schöne ist ja, wenn ich ein sehr offenes, modulares Tool benutze als Plattform, dann kann ich auch das, was vorher schon passiert ist, wieder integrieren.
Also das heißt, ich muss da nicht unbedingt vorherige Investitionen verlieren.
Dann nochmal Blick nach vorne geworfen.
In diesen Tagen, in denen wir sprechen, sind jetzt am 21.
September, nehmen wir hier die Folge auf, geistern diverse Geschichten durch die Presse von KI-Modellen, KI-Agenten, die immer gefährlicher werden, die sich ihren Weg in die Welt bahnen, die verschiedene Sicherheitslücken finden und diese auch ausnutzen.
Und die CEOs dieser Unternehmen, die irgendwie auch ein Interesse daran haben, ihr Monopol jetzt regulatorisch abzusichern.
gleichzeitig auch ganz viel Geld brauchen, um ihre weitere Forschung, Entwicklung und so weiter, das Wachstum zu finanzieren.
Da prallt ja so einiges gerade aufeinander, wo sehr, sehr schwer ist, noch von außen zu verstehen, was davon ist jetzt echt?
Was ist einfach ein Hype oder ein Politikum?
Und was ist für mich so als Business Leader dabei auch wirklich relevant?
Aber ich würde gerne mal deinen Blick bekommen, was glaubst du, wenn wir uns die Fähigkeiten von KI, insbesondere auch von Agentischer KI anschauen, was erwartet uns da deiner Meinung nach noch in den nächsten zwölf Monaten?
Das ist natürlich eine sehr gute Frage.
Sehr langer Zeitraum, oder?
Genau, was ich gerade sagen wollte.
Am Ende wissen wir es eben.
Einfach alle nicht.
Weil viele Prognosen, die wir über die letzten Jahre gemacht haben, musste man dann doch irgendwie korrigieren, weil man einfach massive Technologiesprünge gesehen hat.
Ich glaube aber, gerade für die Anwendung einfach in der Industrie hat das jetzt schon eine extrem fantastische Qualität, mit der man starten kann.
Und ich erhoffe mir, dass wir mehr auch kleinere Modelle einfach sehr hoher Qualität sehen werden, dass wir immer noch mehr auch sehr gute Open-Source-Modelle auf dem Markt haben werden, die auch mehr und mehr hohe Transparenzanforderungen erfüllen, damit die einfach optimal eingesetzt werden können im Business.
Und so Beispiele, die wir auch in Europa haben, wir haben ja hier einen unglaublichen Datenschatz in Richtung Industriedaten.
Da werde ich erwarten, in den nächsten zwölf Monaten, aber auch Jahren, dass wir da massiv viel mehr Entwicklung auch sehen, für ganz spezifische Industrieanwendungsfälle auch.
Und ich glaube auch, das ist genau, wie wir uns in der Hinsicht aufstellen müssen.
Und ja, ich glaube, andere Prognosen.
Das wage ich gar nicht zu machen.
Aber was natürlich klar ist, ist, dass wir auch einfach schauen müssen in Richtung Sicherheit, wie wir diese Themen einfach Ende zu Ende für unsere Lösungen und für unsere Unternehmen mitdenken.
Weil natürlich einfach konkret die Gefahr von Cyberangriffen, die Geschwindigkeit, in der das ablaufen kann, die Qualität, in der das ablaufen kann durch aktuelle Modellentwicklung, die wird natürlich weiter zunehmen.
Und das ist jetzt schon ein Riesenthema, das man extrem ernst nehmen muss.
Und da müssen sich Unternehmer einfach vermehrt sehr gut aufstellen in der Zukunft.
Dann lasst uns das anpacken.
Lisa, vielen, vielen Dank für deine Insights.
Hat mich sehr gefreut und wünsche euch weiterhin viel Erfolg.
Vielen Dank.