# AI Operating System: One Agent, Seven Components

**Podcast:** AI FIRST Podcast
**Published:** 2026-11-06

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute bin ich mal wieder dran und ich gebe dir einen Einblick hinter den KI-Vorhang bei AI First und werde ein paar Erfahrungen teilen, die wir in diesem Jahr gesammelt haben, wie wir selbst KI einsetzen.
Und wir sehen uns ja da als eine Art Anwendungslabor, wo wir uns alles angucken, was uns Entropic, OpenAI, Google und die KI-Labore vor die Füße werfen.
Wir setzen das immer erst bei uns ein, versuchen daran zu lernen und zu verstehen, was funktioniert und was nicht.
Und das, was wir dann lernen, das bringen wir zu unseren Kunden und helfen denen bei der Umsetzung und verstehen dabei natürlich auch immer noch mal besser, was sind eigentlich so die Herausforderungen in größeren Organisationen.
Und ich glaube, da wird heute hoffentlich einiges so dabei sein, weil ich glaube, die letzte Solo-Folge, die ich hier gemacht habe, neben der, wo ich mal kurz einspringen musste, weil mir der Gast auf den letzten Drücker abgesagt hat, ist schon einige Zeit.
Also, kurzer Rückblick.
KI-Betriebssystem, Anfang dieses Jahres haben wir das für uns als Konzept entworfen und für uns aufgesetzt.
Vorher hatten wir 25 spezialisierte KI-Agenten im Einsatz.
Die hatten alle ihre eigene Rolle, die hatten ganz spezifische Aufgaben, für die sie verantwortlich waren.
Die hatten Zugriff auf unsere Tools, Zugriff auf unsere Wissensbasis und die haben wir wie so digitale Mitarbeiter auch in unsere Organisation integriert.
Und die jeweiligen Verantwortlichen bei uns für die unterschiedlichen Bereiche, die waren dann auch für diese KI-Agenten verantwortlich.
Hat mega funktioniert in 2025, aber KI hat sich verändert in diesem Jahr nochmal mehr.
Und wenn sich die grundlegende Technologie unter, nennen wir es mal Formfaktoren wie einem Agenten, verändern, dann ist die Frage immer, ist die Form...
die wir dieser Technologie noch geben, die Struktur, in der wir sie einsetzen, ist das eigentlich noch die richtige?
Und das fragen wir uns bei uns immer wieder und stellen uns dann auch die Frage, wie muss denn eigentlich so ein Unternehmen gebaut sein und wie müssen wir daran arbeiten, damit wir in der Zusammenarbeit mit KI deutlich bessere Ergebnisse erreichen können.
Ich glaube, das ist die Frage, die sich jedes Unternehmen, jede Organisation stellen muss.
Was passiert aber gerade, wenn ich mir so angucke, was machen eigentlich andere Firmen?
Ich bin da sehr, sehr viel unterwegs, glaube ich, ganz gute Einblicke.
Es wird immer noch wie ein Tool behandelt.
Also ich kaufe diese Software, ich stelle die meinen Mitarbeitern bereit, kläre irgendwie noch, wer darf da was, rollen Rechte-Konzept, wer hat welche Funktionen und so.
Und dann gibt es Schulungen, wie ich diese Funktionen in dem Tool benutze.
So, und dann...
Und nutzen Menschen dieses Tool, um damit bestimmte Dinge zu tun, die sie erledigen müssen.
Ja, also wieso, ich muss ein Bild aufhängen und dann muss ich ja den Nagel vorher in die Wand hauen und dann nehme ich das Tool, den Hammer, um diesen Nagel in diese Wand zu hauen.
Und dann kann ich das Bild aufhängen.
Und genauso ist es ja auch im Arbeitsalltag.
Ich muss diese Präsentation machen und jetzt nehme ich nicht mehr nur PowerPoint als ein Tool, sondern ich habe dann noch meine KI, der ich dann sage, sie soll diese PowerPoint-Präsentation erstellen.
Und das sehen wir ja ganz, ganz viel.
Diese kleinteiligen Anwendungen.
Jemand schreibt dann da irgendwie in den Chat rein, dass eine E-Mail formuliert werden soll oder dass ein Dokument zusammengefasst werden soll.
Aber jetzt kommen auch immer mehr CFOs, die fragen, ja okay, wir zahlen jetzt hier sechs- bis siebenstellige Beträge für unsere KI-Plattform, die wir ausgerollt haben, Trainings, die wir gemacht haben.
Wo bleibt denn der Return?
Was kommt denn da?
am Ende bei raus.
Und das ist oft noch nicht wirklich belegbar, was vor allem auch daran liegt, dass wir es eben wie eine Art Tool nutzen, das wir für unsere schon vorhandene Arbeit einsetzen.
Die nächste Stufe ist dann jetzt bei einigen Unternehmen, die es schon ein bisschen weiter denken, jetzt vor allem, wenn wir in die agentische KI-Richtung gehen, dass sie KI wie so eine Art digitalen Mitarbeiter behandeln, so ähnlich wie wir das auch gemacht hatten.
Also geben KI-Agenten spezialisierte Rollen und bestimmte Aufgaben und die sollen dann verschiedene Aufgaben in Prozessen idealerweise schon übernehmen.
Und davon gibt es dann irgendwann immer mehr in so einem Unternehmen.
Vielleicht kennst du das auch bei dir.
Ich kenne viele Firmen, da gibt es hunderte oder tausende KI-Agenten und irgendwann kümmert sich da keiner mehr so richtig drum, weil wir es ja gewohnt sind, mit einer Software zu arbeiten.
Und um eine Software kümmert sich ja jemand anderes und ich muss die ja nur nutzen.
Bei einem KI-Agenten ist das aber nicht so.
Sondern der muss fortlaufend, so wie sich die Arbeit weiterentwickelt, wie sich Prozesse und Standards und Regeln weiterentwickeln, muss sich auch dieser KI-Agent weiterentwickeln.
Und was dann irgendwann passiert, ist, dass ich so viele KI-Agenten habe, dass das gar nicht mehr so richtig wartbar ist.
Und was hat sich auch noch weiterentwickelt, ist, dass diese KI-Agenten immer leistungsfähiger geworden sind.
Ein Agent vor einem Jahr ist nicht mehr vergleichbar in keinster Art und Weise mit dem Agenten, den es heute gibt.
Insbesondere der...
Agent Harness, in dem sich der Agent bewegen kann, hat nochmal zu einem deutlichen Leistungssprung geführt, wie lange Agenten an bestimmten Aufgaben arbeiten können, sich dabei selbst kontrollieren können, viel mehr unterschiedliche Schnittstellen ansprechen können, haben größere Kontextfenster, in denen sie arbeiten können.
Also haben einfach so einen richtig fetten Motto, also nicht nur ein größeres Gehirn bekommen, sondern auch noch irgendwie so...
richtig große Muskeln, mit denen sie viel, viel mehr machen können.
So sehe ich das ein bisschen.
So, und jetzt ist die Frage, diese Art von KI, die wir heute haben, wie setzen wir die bei uns im Unternehmen ein, um die meiste Wirkung daraus holen zu können?
Ich glaube nicht daran, dass die so als ein Tool zu behandeln oder die in die Rolle von so einem digitalen Mitarbeiter zu stecken, der so eine Rolle hat und so ein paar Aufgaben erledigen kann, dass das der richtige Weg ist.
Und das bestätigt auch Entropic, die sehe ich so als die schon Vordenker im KI-Bereich, haben das zumindest in den letzten zwölf Monaten immer wieder gezeigt, dass sie mit neuen Konzepten und Wegen kommen, um KI nochmal wirkungsvoller zu machen.
Die haben jetzt zuletzt auch veröffentlicht, dass sie nicht empfehlen, noch viele spezialisierte Agenten einzusetzen, sondern empfehlen, einen Agenten einzusetzen.
der Zugriff hat auf unterschiedliche Skills, was am Ende des Tages Prozessbeschreibungen sind, sodass dieser Agent eine Vielzahl von Aufgaben ausführen kann, um zwei Dinge insbesondere zu verhindern, nämlich erstens viele Übergaben zwischen Agenten, die auch immer eine gewisse Sollbruchstelle darstellen.
Und wenn du mal ein Multiagentensystem aufgebaut hast in deinem Unternehmen, wirst du sehen, dass das gar nicht so einfach ist, dir in einer Kette arbeiten zu lassen.
ganz gut, aber dass wir wirklich kollaborativ zusammenarbeiten und sich da nicht im Quadrat multipliziert Blödsinn produzieren, ist gar nicht so trivial.
Und vor allem das auch dann wieder zu warten, also weiterzuentwickeln über diese vielen Agenten, die dann entstehen.
Also ein Agent, der ganz, ganz viele Aufgaben ausführen kann, reduziert die Komplexität von KI im Unternehmen massiv.
Massiv.
Das kannst du dir so ein bisschen so vorstellen, wie wenn du ein Restaurant hast.
Und du würdest ja in deinem Restaurant, wenn du jetzt fragst, wie stelle ich jetzt dieses Küchenteam auf?
Dann willst du ja nicht für sämtliche Gerichte, die da gekocht werden, immer einen einzelnen Koch einstellen.
Und dieser Koch, der kann dann dieses eine Gericht kochen.
Der eine kann nur Risotto machen, der andere nur Pizza, der andere nur Pasta.
Sondern du willst eigentlich ja einen Koch haben, der ein richtig gutes Rezept...
Buch hat und den du vielseitig einsetzen kannst und der, je nachdem, was für eine Bestellung reinkommt, dann in sein Rezeptbuch gucken kann und sagt, okay, jetzt so koche ich das Risotto, so koche ich die Pasta, so mache ich hier die Pizza und das auch immer wieder mit der gleichen Qualität und dem gleichen Standard macht, weil es halt in dem Rezeptbuch einmal sauber beschrieben ist.
Und so kannst du dir das auch mit dem einen Agenten vorstellen, der ganz viele Skills hat, Prozessbeschreibungen, die er dann ausführen kann.
Und genau so haben wir das auch bei uns aufgesetzt.
Und ich habe jetzt hier so ein bisschen ausgeruht, aber ich glaube, es ist ganz wichtig, nochmal dieses mentale Modell dahinter zu verstehen.
Und wir haben das Sand-KI-Betriebssystem genannt.
Also wir haben gesagt, wir wollen eigentlich eine KI haben, einen Agenten und der soll Zugriff haben auf unser Betriebssystem, also auf unsere Prozesse.
Das sagt, unsere Prozesse definieren, wie wir arbeiten.
Unsere Prozesse, um die müssen wir uns ja sowieso kümmern.
Und dann sollten die auch so dokumentiert sein, dass ein KI-Agent darauf zugreifen kann.
Weil wenn er darauf zugreifen und das lesen kann, kann das auch ausführen, wenn ein paar andere Bausteine noch mit reinkommen.
Der zweite Baustein ist dann, in dem System ist dann der Kontext.
Also alles, was wir wissen.
Unsere Dokumentation von unseren Angeboten, unsere Preisliste zum Beispiel oder bestimmte Vorlagen, die wir nutzen oder bestimmte Richtlinien, die wir befolgen.
Das ist der Kontext, den auch Menschen haben, wenn sie einen Prozess ausführen.
Und in der perfekten Welt gibt es zwischen dem Kontext, den alle Mitarbeiter bei uns haben, und dem Kontext, den der Agent hat, keinen Unterschied.
Das ist die perfekte Welt.
Die Realität ist dann noch ein bisschen komplexer, aber darauf arbeiten wir hin.
Also, wir haben die Prozesse als Skills beschrieben und wir haben den Kontext.
Das sind einfach Dokumentationen, Dokumente, die sauber beschrieben und abgelegt sind.
Ich gehe gleich auch noch mal viel, viel detaillierter auf diese Bausteine ein und was wir da jetzt machen.
Ich will nur einmal das Modell noch erklären.
Der dritte Baustein sind dann unsere Tools, die wir nutzen, also Systeme, in denen wir Arbeit erledigen.
Unser Google Workspace oder unser Projektmanagement-Tool oder unser CRM-Attio, womit wir auch arbeiten, womit Arbeit erledigt wird.
Und wenn ein KI-Agent darauf Zugriff hat, auf diese Schnittstellen, dann kann er sowohl dort auch Informationen rauslesen, als auch Aktionen in den Tools ausführen, so wie wir das machen würden.
So, und dann der vierte Baustein sind Regeln, die gelten müssen.
Oder so ein Governance-Layer wird das auch oft genannt.
Also beispielsweise, wer darf denn eigentlich wo was machen?
Weil der Agent, der darf natürlich nur mit den Zugriffsrechten arbeiten, die auch der jeweilige Nutzer in den Systemen hat.
Ich will ja nicht, dass jede Person bei mir im Unternehmen die Verträge von allen Mitarbeitern sehen kann.
Aber ich will schon die Möglichkeit haben, mit meiner KI auf diese Verträge zugreifen zu können, um mal ein Beispiel zu geben.
Also, wir müssen das sicher machen über Regeln, die gelten.
Und dann?
will ich ja nicht, dass das ein starres System bleibt, was ich dann wieder die ganze Zeit pflegen muss, sondern ich will erstens, dass im Hintergrund Aufgaben ablaufen können, also dass nach einem bestimmten Zeitplan oder nach einem bestimmten Event was passiert, der Agent automatisch im Hintergrund anfängt, für mich zu arbeiten und ich dem nicht immer schreiben muss, was er da tun muss.
Und ich will...
dass er dazu lernt, also dass wenn Fehler passieren, dass er das dokumentiert und Vorschläge macht, wie wir das System verbessern müssen, zum Beispiel die Beschreibung im Skill oder der Kontext, der notwendig ist, damit er beim nächsten Mal das automatisch ausführen kann.
Oder ich will...
dass wenn neuer Kontext entsteht, also der Agent arbeitet ja auch, produziert dabei auch Kontext, dass der wieder ins System kommt.
Und auch wenn wir Menschen arbeiten, zum Beispiel ein Kundtermin hat stattgefunden, dann möchte ich ja auch, dass der Agent darauf zugreifen kann.
Oder wir haben in einem Meeting eine Entscheidung getroffen, wie ein Prozess in Zukunft laufen soll.
Dann möchte ich auch, dass das direkt in das System kommt, ohne dass ich manuell irgendeine Dokumentation überarbeiten muss.
Also irgendeine Selbstverbesserung.
Ich will also eine KI haben, die mehr oder weniger Zugriff hat auf alles bei uns im Unternehmen, sodass sie uns in möglichst allen Prozessen und allen Aufgaben unterstützen kann und für uns mitarbeiten kann, um möglichst viel Kapazität in meinem Team freizuschalten, was wir nutzen können, um mehr Zeit mit unseren Kunden zu verbringen, um Innovation voranzutreiben, bessere Produkte zu entwickeln.
Also das, was ich wirklich für...
Arbeit halte, die menschlich ist und wo menschliche Fähigkeiten und Stärken besonders notwendig sind.
Aber alles, was das Abarbeiten von digitalen Aufgaben ist, was viel Fleißarbeit auch ist, das möchte ich nicht mehr, dass ich oder mein Team das machen muss.
Das ist das Ziel.
So, ja, die Fragestellung immer wieder ist, wie baue ich mein Unternehmen so auf, damit KI darin möglichst gut für uns arbeitet?
sich möglichst selbstständig im Unternehmen bewegen kann, also möglichst versteht, wo findet sie was, was muss sie mit diesen Informationen machen, wo muss was dokumentiert werden und dass die KI auch mitwächst, wenn sich unsere Arbeit, unsere Angebote und unsere Kunden verändern.
Weil die Veränderungsgeschwindigkeit, die wird nie wieder so langsam sein, wie sie heute ist.
KI macht unsere Welt immer schneller, also muss sich auch so ein System oder so eine KI mitentwickeln können.
Das also als das Modell dahinter.
Wir haben dann angefangen, Anfang des Jahres, das so aufzubauen.
Der Ursprung war übrigens, dass die neuen Opus-Modelle, ich glaube 4.6 war da der Auslöser, rauskam, was auf einmal viel, viel komplexere Aufgaben eigenständig lösen konnte.
Und dann habe ich mal einem unserer 25 KI-Agenten Zugriff gegeben auf alles, was die anderen 25 KI-Agenten hatten und habe diesen einen KI-Agenten ganz viele unterschiedliche Aufgaben gegeben, für die wir vorher spezialisierte Agenten hatten und habe dann gesehen, dass dieser eine KI-Agent...
diese Aufgaben sehr zuverlässig ausgeführt hat.
Und in dem Moment war mir auch klar, dass wir nicht 25 KI-Agenten brauchen, um die wir uns die ganze Zeit kümmern müssen, sondern dass eigentlich einer reicht.
Wir müssen uns vor allem darum kümmern, dass unser Kontext gepflegt ist, dass unsere Prozesse sauber beschrieben sind, dass es klare Qualitätskriterien gibt, dass wir die Regeln so aufsetzen, dass KI zwar möglichst autonom für uns arbeiten kann, ohne dass dabei aber große Risiken entstehen und dass wir Schnittstellen in unsere Tools legen.
KI-Betriebssystem war dann der Aufsatz.
Wir hatten damals als ein sehr zentrales System Notion im Einsatz.
Das ist so eine Art Dokumentationstool oder als internes Wiki für Unternehmen.
Man kann dort aber auch mittlerweile Datenbanken anlegen und wir hatten da unser CRM nachgebaut, unser Projektmanagement nachgebaut, unsere ganze Dokumentation war da drin, all unser Content wurde darüber gemanagt.
Also haben das ganz schön missbraucht für vielleicht viele Dinge, für die es nicht unbedingt gewacht war.
Und wir haben dann auf dieses System einen KI-Agenten gesetzt.
der darin alles machen konnte.
Also der konnte da natürlich diese ganzen Daten rauslesen und konnte da auch reinschreiben.
Wir hatten dann in Notion auch alle unsere Skills dokumentiert.
Das waren am Ende einfach nur Seiten, die wir runtergeschrieben haben als Text und der Kontext lag sowieso drin.
Wir hatten dann noch zum Beispiel unseren Google Workspace dort angeschlossen und ein paar andere Tools, die wir noch hatten, dass zum Beispiel so Meeting-Transkripte wieder mit dokumentiert wurden, aber hatten das schon sehr, sehr zentral auf diesem System.
Und damit haben wir dann, also unsere ganzen 25 Karrieragenten, die haben wir dann nicht mehr genutzt und nutzen wir bis heute nicht.
Und ich würde auch nie wieder zurückgehen in diese Logik, weil es keinen Sinn mehr ergibt und einfach nur viel zu viel zusätzlicher Overhead wäre.
Und was wir dann gemacht haben, ist erstmal angefangen damit zu arbeiten und es war also der Unterschied.
in unserer Produktivität und was KI auf einmal für uns machen konnte, weil sie hatte ja dann Zugriff auf alles, worauf wir Zugriff hatten.
Und es gab nicht mehr diese Übergaben oder diese Brüche zwischen unterschiedlichen Agenten, sondern...
Ein Agent, stell dir vor eine KI, kann quasi so auf dein ganzes Unternehmen zugreifen und darin die Daten rausziehen, auch immer natürlich nur das, wo der Nutzer Zugriff drauf hat und unterschiedliche Aufgaben ausführen.
Das war schon enorm, mal diesen Unterschied zu sehen.
Das war wie in einer anderen Welt, hat sich sehr anders angefühlt, so mit KI zu arbeiten.
Und was waren dann natürlich die wichtigsten Aufgaben?
Wir mussten erstmal unsere Skills beschreiben.
Also da hatten wir natürlich schon viel, was in den Agenten lag.
Das war zum Teil auch schon ein bisschen veraltet.
Das mussten wir nochmal aktualisieren.
Wir mussten einmal runterschreiben, wie werden bestimmte Dinge hier eigentlich gemacht?
Wie erstellen wir ein Angebot?
Wie qualifizieren wir ein Lead?
Wie veröffentlichen wir einen Artikel auf unserer Website?
Wie beantworten wir Support-Anfragen von Kunden?
Wie machen wir ein Onboarding?
Sowas.
Das mal runterschreiben.
Und wir mussten natürlich gucken, dass wir erstmal eine richtig...
einen sauberen Kontext aufsetzen, also eine saubere Ordnerstruktur mit Unterseiten und dass dort die aktuellen Informationen, was im Unternehmen gerade auch gilt, was unsere Angebote sind, wer unsere Zielkunden sind, wie wir Content erstellen und wie unser Tone of Voice im Unternehmen ist, welche Vorlagen wir wofür nutzen, dass das dort einmal sauber drin ist.
So.
Das war auch die schwerste Arbeit daran, um ehrlich zu sein.
Viele andere Sachen sind gar nicht mal so kompliziert.
Ich gehe aber auch gleich nochmal auf die neuen Bausteine ein, weil jetzt will ich erstmal gerne darüber sprechen, was nicht funktioniert hatte.
Ich glaube, der wichtigste Punkt ist, dass das initiale Setup super war und dann ist genau das passiert, was ich ja eigentlich verhindern wollte, nämlich, dass sich unsere Arbeit weiterentwickelt und...
die KI nicht so richtig mitwächst und wir dann immer wieder mit dem Babysitting von der KI beschäftigt sind, anstatt einfach zu arbeiten und KI für uns mitarbeiten kann.
Das lag an insbesondere zwei Sachen.
Die Skills sind veraltet und der Kontext ist veraltet.
Wenn beides veraltet und die echte Welt, in der wir arbeiten und wie wir dort arbeiten, immer mit der Zeit immer weniger und das ist natürlich ein schleichender Prozess.
Die ersten Monate war das so super, dann haben wir es auch noch diszipliniert, immer mal wieder aktualisiert.
Und wir hatten ja auch diese Lernschleife, dass der Agent auch immer mal wieder Vorschläge gemacht hat, was da rein muss.
So, das war okay.
Aber so im Laufe der Zeit und wir hatten dann vor allem auch im Sommer, Anfang des Sommers, Anfang Juni, nochmal einen größeren Change in unserem Offering, was viel, einen großen Rattenschwanz mit sich zog, hat unsere Firma nochmal ordentlich verändert.
Und dann...
waren wir irgendwie so in zwei Welten unterwegs.
Also so, wie wir gearbeitet haben und das, was KI über uns wusste, das hat dann immer weniger zusammengepasst.
Ergo konnte natürlich KI immer weniger für uns tun.
Und wir waren dann wieder gefangen, eigentlich in diesem iterativen Arbeiten mit KI, dass sie uns zwar ein paar Sachen unterstützen kann, aber eigentlich nicht so End-to-End Aufgaben erledigen kann.
Und eigentlich hatten wir dafür das System aufgesetzt.
Das größte Problem dabei war, dass wir nicht robust genug die Skills und auch den Kontext so aufgesetzt haben, dass die KI ihn selbstständig pflegen kann.
Mit Input und wann immer notwendig Freigaben, die von uns kommen können.
Aber auch nur die Freigaben, die wirklich notwendig sind und nicht jede kleine.
Wir hatten eine Feedback-Datenbank aufgebaut, da hat der Agent sämtliche Feedbacks reingeschrieben.
Der hat zum Beispiel, jemand hat ein Angebot angefragt und wollte dort irgendetwas haben, irgendeinen Baustein, der in unserem Angebotstemplate nicht enthalten war.
Das hat der Agent dann natürlich gemerkt bei der Ausführung der Aufgabe und hat in die Feedback-Datenbank reingeschrieben, hey, wir bräuchten mal, wir müssen uns mal Gedanken machen, ob wir diesen Angebotsbaustein als Standard mit aufnehmen sollen.
Weil wenn wir das gemacht hätten, dann hätte er beim nächsten Mal diese Aufgabe eigentlich ständig ausführen können.
Und das Problem war, dass er halt so viele Aktionen die ganze Zeit ausgeführt hat, dass dieser Feedback-Log so vollgelaufen ist und wir haben da irgendwann auch einfach den Überblick darüber verloren.
Weil KI hat so viel gemacht, aber wir sind nicht mehr so richtig mit dem Hinterherarbeiten mitgekommen.
Das war die eine Herausforderung und auch eine Herausforderung war, dass wir viel zu viele Skills aufgesetzt hatten, die wir nicht sauber getestet haben.
Ich hatte ja schon gesagt, wir hatten vorher die 25 Agenten.
Von denen haben wir natürlich auch Aufgaben, Beschreibungen, die in den System-Prompts enthalten waren, mit rübergezogen in das System.
Die mussten wir nochmal aktualisieren.
Aber wir haben noch zu viele weitere Skills damit reingebracht.
Wir haben ganz viele Skills sehr, sehr schnell erstellt, weil es so einfach war.
Wir haben natürlich auch KI dafür genutzt, die aber nicht sauber getestet waren und dann immer so leichte Abweichungen hatten von dem...
Ergebnis, was wir eigentlich haben wollten.
Und da mussten wir dann wieder nacharbeiten.
Also es war hier und da nicht so robust, wie es hätte sein müssen, damit wir auch stärker in die Automatisierung kommen.
Und wir waren noch zu sehr involviert, würde ich mal sagen.
Das waren so die größten Challenges.
Und eine weitere war, dass sich der Kontext Den Kontext, den haben wir zwar anreichern lassen, insbesondere über das, was über Mails oder Kundenprojekte oder über Meetings an neuem Kontext entstanden ist.
Das ist immer wieder reingelaufen ins System.
Was wir aber nicht robust genug gebaut haben, ist, dass der bestehende Kontext auch aktualisiert wird, also gepflegt wird.
Nicht nur Neues kommt dazu, sondern auch...
zu gucken, was ist denn vielleicht veraltet und muss aktualisiert werden oder muss rausgelöscht werden.
Wo muss was ausgetauscht werden oder wo muss vielleicht auch was rausgelöscht werden.
Und da wir das nicht von Anfang an haben, haben wir uns nicht genug Zeit genommen, das wirklich so robust aufzusetzen, dass es automatisch läuft.
Und auch das ist uns dann irgendwann auseinandergelaufen.
Bisschen vorgespult.
Im Sommer habe ich dann schon gemerkt, okay, und einen anderen Punkt möchte ich noch erwähnen.
Wir haben dann im Laufe der Zeit auch angefangen, eigene Software bei uns zu bauen.
Eine eigene Plattform, wo unsere Delivery unserer Projekte und unsere Community drüber läuft.
Oder wir haben so ein eigenes Tool gebaut, womit wir sämtliche visuelle Assets sein, das Dokumente, Präsentationen für Social Media, also...
also Dokumente mitbauen lassen können, was komplett agentisch arbeitet.
Das hatten wir dann angefangen zu bauen und da hat dann ein Teil vom Team in Cloud Code gearbeitet und das so aufgebaut.
Das war aber nicht integriert mit unserem Betriebssystem, wo viel über Notion noch lief.
Und dann waren wir so in zwei unterschiedlichen Welten unterwegs, die gar nicht mehr miteinander kommuniziert haben.
Und damit hatte KI auch nicht mehr Zugriff so auf das ganze Unternehmen, sondern nur noch auf einen Teil davon.
Und ich habe dann gemerkt, okay, wir müssen das einrenken.
Und wir müssen das auch nochmal aktualisieren.
Und KI hatte sich auch wieder weiterentwickelt in der Zwischenzeit.
Und dann habe ich gesagt, okay, ich nehme mir jetzt mal die Zeit und setze mich hin und hinterfrage nochmal das gesamte System.
Jeden einzelnen Baustein, ist das eigentlich noch state of the art?
Und würde ich es noch einmal genauso bauen?
Und wenn nein, wie würde ich es anders bauen, basierend auf den Erfahrungen, die ich gesammelt habe?
Und hier möchte ich auch mal einschieben, dass genau das der Vorteil ist, wenn man diese Lernschleifen dreht.
Ich habe dadurch, dass wir das aufgesetzt haben und es war nicht perfekt, jetzt rückblickend, haben wir aber als Team so viele Erfahrungen gesammelt, um viel, viel schneller die nächste Version aufzubauen, die deutlich besser ist.
Und KI ist für uns alle neu.
Wir machen das alle zum ersten Mal.
Und die Unternehmen, die aber mutig in genau diese Versuche reingehen, die sich mal was wagen und die dabei diese Lernschleifen drehen, die können viel, viel schneller neue KI-Fähigkeiten auch für sich adaptieren, weil dieser Muskel schon trainiert ist und sie eine viel bessere Intuition auch haben, wenn neue Modelle oder sowas wie so ein Agent Harness kommt, wie sie den bei sich noch besser einsetzen können.
Anstatt auf die perfekte Lösung zu warten, die wahrscheinlich nicht kommen wird.
Okay, also.
Neu gebaut.
Ich habe mir wieder die Frage gestellt, wie muss ich unser Unternehmen so aufbauen, dass KI darin möglichst gut für uns arbeiten kann, sich selbstständig daran bewegt und mitwächst, wenn sich unsere Arbeit, unsere Angebote und unsere Kunden verändern.
Insbesondere der letzte Punkt war natürlich sehr wichtig, weil ich das als den zentralen Painpoint identifiziert hatte.
Was habe ich dann gemacht?
Ich habe auch viel mit KI gearbeitet und nochmal so eine First Principles Analyse.
Also wenn ich es mal auf die Grundwahrheiten herunterbreche, was muss denn eigentlich gelten, damit KI möglichst gut in unserem Unternehmen mitarbeiten kann?
Und diese gleiche Übung hatten wir natürlich auch schon bei unserer ersten Version gemacht, aber ich wollte das nochmal challengen, um zu gucken, haben wir vielleicht irgendwas übersehen?
Fehlt noch irgendwas?
Ist es systemisch mit den Bausteinen, die ich dir erklärt habe?
Gibt es da noch Potenzial?
Oder haben wir was vergessen?
Und...
Eine Erkenntnis war schon mal, ich habe das hin und her gedreht, mir dafür einiges Zeit genommen.
Ich habe auch nochmal so ein Deep Research laufen lassen über andere Operating System Ansätze, nochmal so über Systemtheorie mir diese Prinzipien geben lassen und die mit auch unserer ersten Version abgeglichen.
Was schon mal rauskam, war, dass die Grund...
Architektur mit diesem Agent, der oben drauf sitzt, der hat Zugriff auf unsere Prozesse, die als Skills beschrieben sind, der kennt den Kontext, der kann die Tools nutzen.
Es gibt Regeln, die das Verhalten des Agents im System bestimmen und gewisse Sperren, die riskante Aktionen unterbinden.
Und der kann selbstständig neuen Kontext wieder reinbringen, der kann selbstständig sich auch verbessern und der kann Aufgaben automatisieren, die wiederkehrend laufen.
Dass das die Bausteine waren, die es braucht.
Und das war schon mal erstmal ganz gut.
Also die Grundarchitektur mussten wir nicht umbauen, aber ich bin dann viel tiefer reingegangen in jeden einzelnen Baustein.
Und die würde ich jetzt einmal kurz durchgehen.
Und ich sage dir jetzt einmal, was diese Bausteine sind.
Ich gebe dir so die Punkte mit, wo ich sagen würde, das sind die wichtigsten Dinge, die wir jetzt verändert haben oder die aber jetzt eingebaut sind, auch Dinge, die wir verändert haben, die für mich da den Unterschied machen.
Und ich...
Gebt ja auch noch mit, was am Ende so noch offene Fragen sind, wie wir damit heute arbeiten, wie wir da unser Team drauf onboarden.
Und ich werde auch immer ein Stück weit erzählen, wie kann man das vielleicht auch auf unterschiedliche Unternehmen adaptieren, weil wir sind jetzt acht Menschen, die bei uns arbeiten.
Von Anfang an das Unternehmen versucht, AI first zu denken.
Es ist natürlich viel Greenfield, können schnell Entscheidungen treffen.
Wir sind aber auch bei großen Unternehmen drin mit teilweise 10.000 Mitarbeitern, wo wir jetzt auch diesen Ansatz dort in das Unternehmen reinbringen.
Und nur weil das Unternehmen groß und älter ist und ein paar Altlasten hast, heißt das nicht, dass das nicht möglich ist.
Aber man muss vielleicht an so ein paar Sachen denken oder anders daran rangehen.
Also die sieben Bausteine.
Baustein Nummer eins ist der Agent.
Der Agent ist der unwichtigste Baustein.
Den brauchen wir natürlich.
Aber ich würde sagen, der Agent wird eher Commodity in Zukunft sein.
Also er ist austauschbar.
Wir haben auch das gesamte System portabel.
Ich kann, wenn ich heute, arbeiten wir zum Beispiel mit Claude und auch die meisten auch mit Claude Code, also dem Coding-Agenten.
Es würde aber auch mit dem normalen Claude funktionieren.
Wenn ich aber morgen auf OpenAI wechseln möchte oder auf LangDoc wechseln möchte, dann ist das möglich, weil das System darunter, also der Agent obendrauf kann ausgewechselt werden.
Der Agent.
Wie gesagt, wir haben uns für Claude entschieden, weil Claude für uns die beste Leistung ist.
gebracht hat in den Vergleichen.
Also die Leistungsfähigkeit des Agenten, insbesondere der Harness von Claude, in dem der Agent arbeitet, der ist sehr, sehr, sehr leistungsfähig.
Wir hatten Claude Code auch schon genutzt für unsere eigene Softwareentwicklung und deswegen war es da auch naheliegend, dass wir das nehmen.
Das ist aber auch was, was ich mir immer wieder nochmal anschauen möchte in der Zukunft, wenn sich auch andere Plattformen weiterentwickeln.
Der Agent hat natürlich jeder hat ja einen.
Aber der, und was auch nochmal wichtig ist, der Agent, der kann natürlich hundertmal parallel arbeiten.
Das ist dem ja vollkommen egal.
Also es ist für mich einfach digitale Arbeitskraft.
Der hat jetzt auch keinen speziellen Namen oder spezielle Rolle oder so.
Ja, der ist einfach eine digitale Arbeitskraft.
Und jeder kann aber über eine individuelle Anweisung, das ist diese Claude-MD-Datei, kann der das Verhalten des Agenten bestimmen.
Und da steht bei mir zum Beispiel sowas drin, wie der mit mir kommunizieren soll.
Da steht bei mir drin, wer ich bin, welche Rolle ich im Unternehmen habe, dass er also ein bisschen noch personalisierter auf mich eingehen kann.
Das kann jeder Mitarbeiter auch bei uns für sich individuell aufsetzen.
Dann gibt es ein weiteres Dokument, das heißt AgentsMD, das bestimmt, wie sich der Agent in dem System...
verhalten soll und wie er damit arbeiten soll.
Also da wird quasi das System erklärt.
Welche Regeln gelten in dem System?
Wie ist dieser Kontext aufgebaut?
Wie soll er damit arbeiten?
Wie soll er die Skills nutzen?
Also wie nutzt er die einzelnen Bausteine innerhalb des Systems?
Und dann haben wir auf dieser Agent-Ebene noch etwas eingeführt.
Das nennen wir ein Prüfer-Agent.
Wenn der Agent also eine Aufgabe ausgeführt hat, dann kann der das funktioniert in Claude sehr gut, selbstständig einen Subagenten losschicken.
Also der erschafft dann quasi wie so ein Subagenten, der macht dann nur diese eine Sache und dann ist er auch wieder weg, der ist nicht permanent da.
Und dieser Subagent, der hat dann nur die Aufgabe, das Ergebnis nochmal gegen verschiedene Kriterien, die wir für diese Aufgabe festgelegt haben, zu prüfen, um die Qualität hochzuhalten.
Das hilft uns sehr, konsistente, hochwertige Ergebnisse zu bekommen.
Das war im ersten Setup, war das so ein bisschen instabiler gebaut.
Da hatten wir diesen Prüfer nicht und deswegen war manchmal die Ausführung der Skills auch nicht immer auf dem Level, wie wir es haben wollten.
Da komme ich aber gleich bei Skills auch nochmal drauf, haben wir noch ein paar andere Sachen zu überlegen.
Und es gibt ein Logbuch, das pflegt der Agent.
Ich will, das ist einfach nur, am Ende ist es eine Tabelle oder Datenbank, nenn es wie du willst, aber da macht er für alles, was er tut, einen Eintrag.
Wo er dann reinschreibt, was er gemacht hat, eine Verlinkung zu zum Beispiel einem Dokument, was erstellt wurde oder wenn im CRM ein Eintrag gemacht wurde, dass da der Link reinkommt, also eine Verlinkung, wo ist das Ergebnis und eine ID, die gepflegt wird und kurz, was er gemacht hat und vergibt dann einen Status und schreibt auch rein, welchen Skill er genutzt hat.
Warum?
Ich möchte, wenn irgendetwas schief geht, immer die Möglichkeit haben, dass ich nachverfolgen kann, was der Agent...
bei uns komplett gemacht hat.
Ich will eine lückenlogische Dokumentation haben, was der gemacht hat.
Als würde der am Ende seines Arbeitstages einmal aufschreiben müssen, was hast du heute alles gemacht.
Das ist einfach auch so ein gewisser Sicherheitsmechanismus, aber auch Nachvollziehbarkeit und Transparenz, die ich damit herstellen will.
Zweiter Baustein, Skills.
Skills bestimmen, wie wir arbeiten.
Wir hatten in der ersten Version, hatten wir Skills sehr stark als Aufgabenschritte runtergeschrieben.
Mach erst 1, 2, 3, 4, 5.
Und dann hatten wir aber auch schon eine Definition of Done definiert mit einer Checkliste, die für jeden Skill abgehakt werden muss von dem Agent.
Und erst dann ist quasi dieses Ergebnis oder diese Aufgabe erfüllt, wenn du alle abhaken kannst.
Mittlerweile definieren wir weniger die Schritte.
Das machen wir zum Teil natürlich auch noch, aber nicht mehr so detailliert, sondern wir geben viel mehr vor, was ist das erwartete Ergebnis, wie muss das aussehen und was sind die Kriterien und wann machst du diese Aufgabe und welchen Kontext und welche Tools nutzt du, um die Aufgabe zu erledigen.
Wir geben also viel mehr den Rahmen vor, der ausgeführt werden soll und weniger den Weg, weil ich, auch das kam aus einer Entropic, so ein Entropic Best Practice, was wir empfehlen.
dass manchmal die eigenen Anweisungen eines Skills hinderlich sind für den Agenten, weil er schneller und besser zum Ziel kommen würde, wenn er sich diesen Weg selbst aussuchen kann.
Und das ist eigentlich so ein bisschen Leadership statt Micromanagement.
Statt zu sagen, mach 1, 2, 3, 4, 5, 6, 7.
Zu sagen, guck mal, das ist das Ziel, das erwarte ich.
Und das ist der Rahmen, in dem du dich bewegen kannst.
Hier sind die Infos, die du dafür brauchst.
Die findest du da.
Hier sind die Tools, die du dafür nutzen kannst.
Und jetzt go for it.
Und das funktioniert sehr gut, weil mit jedem Modell, was jetzt rauskommt, die werden ja besser.
Tendenziell die neuen Modelle auch vielleicht noch bessere Wege finden, um diese Ziele zu erreichen.
Was dann wieder der Engpass werden könnte, ist, dass unsere Ziele nicht ambitioniert genug sind.
Aber das ist doch mal ein anderes Thema.
Okay, also.
Eher Ziele statt die Schritte vorgeben.
Dann haben wir Evaluationen eingeführt.
Evals nennt sich das.
Das gibt es auch mittlerweile in jeder besseren KI-Plattform, wo es gute Agentenfunktionen gibt.
Evaluationen sind also quasi Ergebnispaare.
Ich gebe einen bestimmten Prompt ein und dafür kann ich angeben, welches Ergebnis erwarte ich für diese Eingabe.
Und der Agent kann dann selbstständig gegen diese Evaluation testen für das Ergebnis, was er produziert hat, ob das bereits erreicht wurde oder nicht.
Und wenn es nicht erreicht wurde, kann er sich selbst verbessern und nochmal Schleifen drehen, bis er die Qualität der Evaluation erreicht hat.
Und das haben wir für jeden Skill.
Wird das automatisch, wenn ein Skill angelegt wird, werden auch Evaluationen mit reingebracht.
Das sind also Datensätze, die muss das Team mit reinbringen.
Das Team wird gezwungen dann einmal auch zu sagen, so muss ein Ergebnis aussehen.
War auch in Version 1, haben wir das nicht konsequent genug gemacht.
Deswegen hat der Agent sich irgendwie teilweise auch selbst Dinge überlegt.
Oder wir haben einfach versucht, Prozesse an KI abzugeben, die wir selbst noch nicht richtig verstanden hatten, was auch zu schlechter Qualität geführt hat.
Und dann haben wir Prüffälle für jeden Skill.
Ein Prüffall läuft bei der Erstellung jedes Skills durch.
Also drei unterschiedliche.
Einmal ist es so ein Grenzfall, also ein Grenzfall für diesen Skill, wo es nicht eindeutig ist, was gemacht werden soll, wo geguckt werden muss, wie verhält sich der Agent dort und macht er das, was für ein Grenzfall getan werden soll.
Einmal fehlen dem Agenten Informationen und...
Wir gucken, wenn ihm die Information fehlt, fragt er nach nach der Information.
Und einmal ist es ein ganz normaler Fall und wir gucken einfach, ob die Kriterien in der Evolution erfüllt werden.
Also Prüffälle, drei unterschiedliche, die bei der Erstellung des Skills automatisch durchlaufen.
Und wo geprüft wird, ist der Skill schon so aufgesetzt, dass er sich für diese Prüffälle korrekt verhält.
Erst danach darf der überhaupt genutzt werden von den Leuten bei uns im Team.
Skills werden natürlich von dem Prozessverantwortlichen aufgesetzt und die sind auch verantwortlich dafür, diese aktuell zu halten und zu aktualisieren.
Ich würde sagen, das hatten wir auch schon so mitgedacht, natürlich bei der Version 1.
Wir haben das aber nicht konsequent genug gelebt.
Dadurch, dass wir dann aber gesehen haben, was passiert, wenn keiner 100% Verantwortung für diese Skills übernimmt, sind wir jetzt als Team viel, viel sensibilisierter darauf, da auch disziplinierter zu sein.
So, das war Baustein 2, Skills.
Baustein 3, Kontext.
Der Kontext, ich glaube, da entscheidet sich.
Sehr, sehr viel.
Fast alles.
Kontext ist noch wichtiger als die Skills, weil am Ende des Tages, wenn der Kontext da ist und das Ziel klar ist für den Agenten, werden die immer besser diese Ziele mit dem Kontext erreichen können.
Wenn der Kontext aber nicht da ist, sind sie orientierungslos.
Und deswegen haben wir da auch die meiste oder habe ich da die meiste Zeit reingesteckt, insbesondere wo unser Kontext liegt.
Wir haben das in zwei Bereiche unterteilt.
Der eine ist alles, was bei uns längerfristig gilt.
Das liegt bei uns in GitHub.
GitHub ist aber am Ende, ich meine, das kommt aus dem Software Engineering, am Ende liegen dort aber auch nur Ordner mit Dateien ab, auf die aber so ein Agent wie Claude extrem gut zugreifen und die extrem gut verarbeiten kann.
Also es ist ein sehr nativer Zugriff auf diesen Kontext.
Deswegen haben wir GitHub genommen.
Aber jetzt kommen wir schon mal so ein bisschen zu diesen Tools.
Ich würde sagen, auch ein gut aufgebauter SharePoint.
Selbst ein gut aufgebauter Drive, wo nicht tausend PowerPoint-Präsentationen, die veraltet sind, drin liegen, sondern wo saubere Markdown-Dokumente geschrieben sind.
Markdown ist sehr gut maschinenlesbar.
Schlägt dann, welches Tool man dafür nutzt.
Oder andersrum, ich kann das beste Tool nehmen, ich kann auch GitHub für mich nutzen.
Wenn ich den Kontext nicht sauber da reinbringe und das mal aufschreibe, dann bringt mir auch GitHub.
Also meine Empfehlung wäre da, erstmal mit dem gehen, was ihr habt und anfangen dort die Ordnerstruktur für euren Kontext, also eure Wissensbasis aufzubauen und die Dateien sauber in diesen Ordnern abzulegen und den Agenten dann darauf zugreifen lassen.
Genau, wir haben das in GitHub gemacht.
Wir haben die Struktur, um die Struktur für diese...
für diesen Kontextbasis, oder ich nenne es jetzt einfach mal Kontextlayer, für diesen Kontextlayer zu erarbeiten, habe ich auch KI genutzt.
Der hat mir geholfen, die Ordnerstruktur und welche Dateien da rein müssen, in welche Ordner, das schon mal so als Konzept, als Schablone zu erarbeiten.
Und wir hatten natürlich auch schon einiges aufgeschrieben.
Also wir waren jetzt nicht völlig blank, aber es hatte sich in der Zwischenzeit auch echt viel im Unternehmen verändert und deswegen haben wir das genutzt, um das nochmal neu aufzubauen.
Also wie machen wir sowas?
Das ist ja auch immer die Frage.
Wie mache ich das denn?
Das Wissen ist ja in den Köpfen der Menschen.
Ja, aber das ist keine Ausrede dafür, das da nicht rauszuholen.
Weil ganz, ganz viel Wissen ist schon irgendwo implizit dokumentiert.
Das liegt halt nicht in einem sauberen Dokument, sondern das liegt in Präsentationen, das liegt in Teams-Kanälen, das liegt in Chat-Verläufen, das liegt in Meeting-Transkripten.
Und das, wenn die KI darauf zugreifen kann, kann die KI auch helfen.
daraus für verschiedene Themen, zum Beispiel, wie kommunizieren wir mit unseren Kunden, könnte eine Kontextdatei sein, das davon abzuleiten und euch dabei zu helfen oder dir dabei zu helfen, diese Datei zu erstellen.
Genauso haben wir das auch gemacht.
Wir haben also KI, weil als wir diese Schablone hatten, wie dieser Kontextlayer aufgebaut sein soll mit den Ordnern und den Dateistrukturen.
Haben wir KI erst mal Zugriff gegeben oder erst mal durchsuchen lassen, was haben wir denn schon, was können wir davon verwenden?
Und dann haben wir die KI uns befragen lassen.
Und jeder Bereichsverantwortliche, also derjenige, der bei uns für das Enablement verantwortlich ist, das Team, was bei uns für die Plattform verantwortlich ist, dass die Person, die bei uns für Admin und Support verantwortlich ist, ich bin für Sales und Marketing unter anderem verantwortlich.
Wir wurden dann halt von der KI interviewt und dann mussten wir uns halt mal Zeit nehmen.
diese Fragen zu beantworten oder halt bestimmte Dokumente oder Dateien oder was auch immer bereitzustellen, wo diese Antworten auf diese Fragen sind.
Und die KI hat dann daraus diese Markdown-Dateien geschrieben und hat die dann im richtigen Ordner abgelegt.
Das ist noch ein bisschen Aufwand.
Aber wenn man einmal dann diese Grundlage hat, dann kann KI so viel mehr und so viel besser für einen arbeiten.
Also es lohnt sich auch einfach.
Der Hemel ist sehr groß.
Was wir auch gemacht haben, dann ist die KI direkt in jede Datei einen gewissen Header reinschreiben zu lassen.
Also jede Datei ist gleich aufgebaut, was den Kopf der Datei angeht.
Warum?
Dann kann die KI in diesen Kopf reinschauen und weiß sofort, also da steht eine Beschreibung drin, worum geht es hier eigentlich in dieser Datei.
Da steht drin, wann die zuletzt geprüft wurde und da steht drin, wer dafür verantwortlich ist.
Das hilft dabei, dass die KI sehr schnell findet, in welche Datei muss ich eigentlich gucken, um welche Frage beantworten zu können beispielsweise.
Und das hilft auch dabei, schnell durchsuchen zu können oder schnell herauszufinden, was sind möglicherweise veraltete Dateien, die aktualisiert werden müssen.
Und dieser Kontext-Layer wird nur von der KI gepflegt.
Also da geht kein Mensch von uns rein in irgendwelche Dateien und schreibt dort etwas rein, sondern das macht KI für uns.
Um der KI eine Orientierung zu geben, wo sie was findet, haben wir einen sogenannten Index aufgebaut.
Das ist am Ende auch wieder eine Datei, wo aber einmal drin steht, in welchen Ordnern finde ich was und nochmal übergeordnet für den Gesamtkontext.
Und dann gibt es in jedem Ordner, also im Ordner Sales zum Beispiel, gibt es auch wieder einen Index, das ist auch wieder eine Datei.
Da steht drin, welche Dokumente liegen hier drin und was finde ich in welchem Dokument.
Das hat den Vorteil, dass der Agent nicht losläuft und sich alle Dokumente durchliest, um die Informationen zu finden, sondern er guckt immer erst, und das ist auch wieder dann in dieser AgentsMD im Agenten beschrieben, er guckt immer erst in den Index rein, das ist wie so ein Inhaltsverzeichnis oder so, glaube ich.
Ich glaube, das ist gar nicht so ein verkehrtes Inhaltsverzeichnis.
Und sieht, ah, okay, ich muss jetzt hier in diesen Ordner rein, um diese Informationen zu finden, und in diesem Ordner muss ich genau in dieses Dokument reingucken.
Das hilft dabei, das Kontextfenster von dem Agenten nur sehr, sehr wenig zu belasten.
Weil es ist wie so ein Bibliothekar, der weiß halt genau, in welchen Gang muss er gehen, welches Buch muss er rausnehmen und welche Seite darin aufschlagen, anstatt sich die ganze Bibliothek vorher durchzulesen.
Und wir haben noch eine Landkarte aufgebaut.
Das ist auch wieder eine Datei.
Also am Ende ist unsere Firma fast schon ein System aus Ordnern und Textdateien.
Und zwar eine Landkarte, wo beschrieben ist, welche Systeme nutzen wir.
Und in welchem System wird was gemacht und in welchem System liegen welche Informationen?
Also das CRM-System oder unser Projektmanagement-Tool oder unser Google Workspace, damit die KI weiß, wo sie den Kontext rausziehen kann, der während der Arbeit passiert.
Also das, was im CRM passiert, das bleibt natürlich im CRM, weil da ist die laufende Arbeit, genauso wie die Abwicklung unserer Kundenprojekte.
Das läuft dann in dem System.
Das ist nicht in GitHub und in dieser in diesem Kontext-Layer mit drin.
In GitHub steht aber zum Beispiel, wie wir das Onboarding für einen Kunden machen.
Dann kann der Agent sich diese Information da rausziehen und dieses Onboarding dann in dem dafür vorgesehenen System ausführen.
So haben wir das aufgetrennt.
Weil die Arbeit in den Systemen, die entwickelt sich ja sehr, sehr dynamisch.
Da kann der Agent immer reingucken, wenn er Infos über einen Kunden oder über ein Projekt oder über unser Content, was weiß ich, was braucht.
Aber wie wir diese Dinge machen, also die eher universelleren Regeln, die länger Bestand haben, das ist in GitHub dokumentiert.
Okay, genau.
KI hat den mit uns aufgebaut und KI verwaltet den auch jetzt selbstständig.
Die Verwaltung läuft über zwei Automatisierungen, die wir aufgesetzt haben.
Denn das größte Problem in Version 1 war ja, dass unsere Realität, auseinandergelaufen ist mit dem, worauf der Agent Zugriff hatte, insbesondere beim Kontext.
Es gibt einmal am Tag eine Kontexternte, nennen wir das.
Da wird also für jede Person, läuft der Agent los und guckt in Slack, worüber wir kommunizieren, ist unser interner Chat, in E-Mails, in Meetings, die gelaufen sind, in den Systemen, in denen die Person arbeitet.
Was ist dort?
für zusätzlicher Kontext entstanden, also Dinge, die vielleicht entschieden wurden, irgendwas, was gelten muss für die Zukunft, was in GitHub eingepflegt werden soll.
Ich gucke hier auch gerade mal, um mal ein Beispiel nehmen zu können, was bei mir...
Ah, genau.
Zum Beispiel habe ich jetzt hier bekommen, dass die Website, das stand noch im Kontext, dass die Website am 15.10.
und so neu für Website live gehen soll.
Und aus einem Slack-Chat wurde erkannt, dass das mittlerweile passiert ist.
Und jetzt schlägt mir die KI über eine Slack-Nachricht vor, ob das aktualisiert werden soll in GitHub, dass die neue Website, dass die live ist.
Jetzt muss ich nur sagen ja und dann läuft der Agent los und aktualisiert diese Datei in GitHub.
Und das läuft für alle jeden Tag einmal und ich bekomme dann immer...
morgens bekomme ich dann immer eine Nachricht mit möglichen Aktualisierungen in dem Kontext und kann das entweder bestätigen oder ablehnen.
Dadurch bin ich auch immer noch involviert in dem Prozess.
Und dann haben wir noch eine Kontextpflege und die geht einmal in der Woche drüber über alles, was neu, also über den gesamten Kontext und guckt, alles, was da neu reingekommen ist und alles, was schon da ist.
was muss da vielleicht aktualisiert, ausgetauscht, gekürzt werden, wo gibt es Abweichungen und mach dann wieder einen Vorschlag für nur kritische Themen.
Also da haben wir auch ein paar Regeln, was eigenständig gemacht werden kann, aber wo es eine Entscheidung von uns benötigt, die wir dann wieder freigeben.
Das läuft einmal in der Woche.
Und so kommt immer neuer Kontext rein und der wird gepflegt gehalten.
Das macht aber dann alles die KI.
Wir bestätigen nur oder lehnen ab, wo Entscheidungen notwendig sind.
Und das funktioniert jetzt gerade sehr, sehr gut für uns.
Also wir merken, dass das mitwächst mit uns.
Der kann auf alles zugreifen, findet den Kontext.
Natürlich, wenn wir etwas jetzt in einem, ich weiß nicht, wir sind mit dem Team essen und haben nicht ein Transkript laufen und entscheiden dort irgendwas.
Das muss natürlich nochmal selbst rein.
Da können wir aber auch einfach eine Nachricht schreiben und sagen, hier fürs Wiki, das, das, das, mit reinschreiben.
Und dann pflegt der Agent das an der richtigen Stelle ein.
Damit ist auch der Aufwand für diese ganze Dokumentation und auch die Anpassung der Dokumentation sehr, sehr gering.
Sehr gering.
Okay, nächster Baustein Nummer vier sind unsere Tools.
Das ist jetzt sehr simpel.
Da sind einfach Schnittstellen zu den Systemen, die wir nutzen.
Wer mit moderner Cloud-Software arbeitet, ist hier natürlich klar im Vorteil, weil die sich oftmals einfacher anbinden lässt und weil es oftmals Konnektoren gibt, um diese anzubinden.
Wichtig, in diesen Tools gelten natürlich immer die Zugriffsrechte.
Also der Agent darf in den Tools nur die Informationen rauslesen und reinschreiben, die auch der jeweilige Nutzer hat.
Und wir haben dort, und da komme ich jetzt auch gleich zum nächsten Punkt, Regeln definiert.
Also es gibt technische Sperren für alle Aktionen in den Tools, die einen echten Schaden anrichten könnten.
Beispielsweise darf der Agent nicht eigenständig eine Rechnung verschicken, auch nicht eigenständig ein Angebot verschicken.
Der darf auch keine E-Mail nach draußen schicken.
Also all solche Sachen, die schädlich sein könnten, die muss nochmal ein Mensch freigeben.
Alles, wo kein Schaden passieren kann, sind wir immer...
wie soll man sagen, also haben wir dem Agenten immer mehr Freiheit gegeben.
Also er kann viele Sachen eigenständig intern arbeiten, aber insbesondere alles, was nach außen geht.
Da ist es aktuell noch eine Freigabe, die von uns gegeben wird.
Außerdem haben wir so, hatten in Version 1 schon so ein Governance-Handbuch haben wir das genannt.
Das ist insbesondere eine Ampel, gelb, rot, grün.
Und für jede Farbe gibt es verschiedene Regeln, was der Agent dort darf.
Also für Aufgaben, die grün sind, das ist zum Beispiel, dass er Sachen lesen, recherchieren darf, irgendwelche Datenbankeinträge ändern darf, das Logbuch pflegen darf und so weiter.
Das darf er komplett eigenständig machen.
Bei gelben Aufgaben, da muss er sich eine Bestätigung einholen, zum Beispiel, dass das Angebot rausgeschickt wird.
Und bei roten Aufgaben, die darf er nie eigenständig machen.
Zum Beispiel irgendwelche Kunden- oder Personaldaten in unseren Kontext reinschreiben oder so etwas.
Also das bestimmt das Verhalten des Agents.
Aber wir verlassen uns natürlich nicht nur darauf, dass er sich daran hält, sondern haben eben auch bei Design bestimmte Regeln fix ins System implementiert.
Wie automatisieren wir dann Aufgaben?
Weil ich will ja jetzt nicht den glorifizierten Chatbot haben, der dann zwar ganz viel machen kann, aber ich muss den trotzdem noch babysitten, sondern der soll im Hintergrund für mich arbeiten.
Das macht er bei uns entweder nach zeitbasierten Auslösern, also sowas wie diese Kontextpflege macht er halt einmal die Woche, läuft er am Montag oder Freitag und dann gibt es...
andere Sachen, die eventbasiert ablaufen.
Also wenn sich zum Beispiel ein Deal in unserem CRM von einer Stufe auf die nächste weiter bewegt, dann löst das eine bestimmte Aktion von dem Agenten aus.
Was wir gemacht haben, sind wirklich alle Automatisierungen in Cloud aufzusetzen.
Ich hatte da zum Beispiel am Anfang auch noch ein paar Automatisierungen in unserem CRM drin.
Und habe dann aber angefangen, wirklich alles in Cloud reinzuziehen, damit der das auch wieder zentral verwalten kann.
Weil ich kann dann auch sagen, wenn sich der Prozess verändert, dass er die Automatisierung entsprechend anpassen soll.
Und das ist quasi alles in einem System wieder, wo der Agent komplett nativ drauf zugreifen kann.
Das funktioniert für uns ganz gut.
Diese Automatisierung gibt es aber mittlerweile in fast allen Tools.
Also nehmen wir mal Langdoc beispielsweise, da kann ich auch einen Agenten aufsetzen, dem kann ich auch einen Zeitplan geben und sagen, mach in dieser Frequenz, zu dieser Uhrzeit immer wieder folgende Dinge.
Und ich kann ja auch dort den Agenten in Workflows einbauen und dem Workflow Trigger mitgeben, also die dann eventbasiert sind.
Und je nachdem, mit welcher Plattform ich da eben arbeite, sieht das nochmal ein bisschen unterschiedlich aus, aber die Funktionen sind eigentlich auch in anderen Systemen so vorhanden.
Ja, und dann der letzte Baustein, Nummer sieben, die Lernschleife.
Also wie lernt das System jetzt dazu?
Über den Kontext hatte ich schon gesprochen.
Was auch passiert, sind Skills.
Also bei einer Skill-Ausführung, wenn ein Mensch ein Feedback gibt, dann prüft der Agent immer, ob dieses Feedback etwas eher Einmaliges ist und im Zweifel fragt er nach.
Oder ob das ein universelles Feedback ist.
Wenn es universell ist, also für jede weitere Ausführung gelten soll, dann überarbeitet er den Skill, sodass beim nächsten Mal diese Feedbacks nicht mehr gegeben werden müssen.
Außerdem, wann immer es möglich ist, dokumentiert die KI auch, was war der Entwurf, den sie erstellt.
Nehmen wir beispielsweise mal nach diesem Podcast, muss ein Shownotes erstellt werden.
Und er dokumentiert dann die Shownotes, die er selbst erstellt hat.
Und wenn wir dann noch Änderungen vornehmen, Dann hat er quasi den Abgleich.
Also er sieht das, was er erstellt hat und was am Ende rausgegangen ist und was in unserer Podcast-Plattform eingestellt wurde.
Und da läuft ein, wir nennen das Operating System Check, OS Check, der läuft auch einmal die Woche.
Durch alles durch, also stundenlang läuft der Agent durch alles durch, was passiert ist, guckt sich alle Skills an, guckt an, wie oft wurden die Skills genutzt, guckt sich die Automatisierung an, wie oft wurden die genutzt, guckt sich das Logbuch an, wo drin steht, was wurde korrekt ausgeführt, was wurde nicht korrekt ausgeführt, guckt sich an, was ging nach draußen und was war der Entwurf des Agents und schlägt basierend da drauf, Systemische Verbesserung vor.
Also, welche Skills werden nicht mehr genutzt und können raus?
Welche Skills wurden immer wieder nochmal überarbeitet, also die Ergebnisse der Skills und was sollte sich an den Skills verändern?
Und welche Automatisierungen sind vielleicht gebrochen oder funktionieren nicht mehr?
Also, das ist wirklich wie so ein Health Check und guckt, ob das System gesund ist.
Und was sich verbessern lässt.
Der macht dann Vorschläge.
Kann ich wieder über Slack, kriege ich wieder die Nachricht, kann bestätigen, ja oder nein, was gemacht werden soll.
Und was auch sehr, sehr gut ist, ist, dass er mir auch vorschlägt, basierend auf dem, was er so gefunden hat, was sind Dinge, die er noch nicht für mich tut, die KI noch nicht für mich tut.
Und für alle Personen im Team gilt das Gleiche, die er in Zukunft für mich machen kann.
Und das ist natürlich mega, weil ich dadurch immer wieder Ideen bekomme für zusätzliche Prozesse, für zusätzliche Skills, für vielleicht neuen Kontext, der aufgebaut werden kann, die dafür sorgen, dass der Agent in Zukunft mehr für mich machen kann.
Das läuft jetzt so erstmal.
Da kann man sicherlich auch noch mehr machen.
Wir haben uns aber dafür entschieden, eher schlank anzufangen und das nicht wieder zu verkomplizieren und lieber dann mit der Zeit das System wachsen zu lassen.
So, wir sind jetzt schon bei einer Stunde.
Nochmal kurz zwei Punkte.
Das waren jetzt alle die sieben Bausteine.
Wir haben den Agent, der oben drauf sitzt.
Es gibt verschiedene Plattformen und Tools, wo der leben kann.
Wir haben die Skills.
Auch das mittlerweile Standard.
Ich glaube, selbst Copilot hat mittlerweile eine Skill-Funktionalität, wo wir einem Agent halt verschiedene Aufgaben mitgeben können.
Wir haben den Kontext.
Auch da gibt es so viele unterschiedliche Orte, wo man den aufbauen kann.
Am Ende brauche ich Ordner und ich brauche Textdateien.
Das ist nicht besonders kompliziert.
Da gibt es sehr, sehr viele Tools, die das machen können.
Und natürlich sollte ich das möglichst einfach anbinden können an den Agenten.
Idealerweise gibt es irgendeinen Connector dafür.
Ich habe Tools.
Da brauche ich einfach Schnittstellen.
Wenn ich eine sehr, sehr veraltete IT habe, wird es einfach schwer.
Dann müsste eine Überlegung sein, wenn man KI wirklich hebeln möchte, ob es sich nicht vielleicht lohnt, da was zu modernisieren oder auch KI zu nutzen, um Schnittstellen zu bauen, die es gerade nicht gibt oder Integration zu bauen, die es gerade nicht gibt.
Das kann man natürlich auch machen und muss da vielleicht nicht auf den Anbieter warten.
Regeln.
Insbesondere die Zugriffsrechte sind sehr wichtig und zu regeln, welche Aktion darf KI ausführen und welche nicht.
Dass beispielsweise nicht irgendwelche E-Mails wie wild durch die Weltgeschichte von dem Agenten geschickt werden, ohne dass sich das nochmal jemand anschaut.
Und wir haben dieses Ampelsystem, was der Agent in seinen Anweisungen hat, was das Verhalten von ihm steuert.
Wir haben die Automatisierung über Zeitplan und Event.
Gibt es auch eigentlich allen Tools, kann man das einstellen.
Und wir haben die Lernschleife.
Das sind dann auch nochmal Automatisierungen im weitesten Sinne, die wir da aufgebaut haben mit so ein paar Logiken.
Wie wird das wieder zu uns zurückgespielt und wie wird das Feedback, was wir dann darauf geben, zu diesen Lernschleifen eingebaut in den Kontext und in die Skills.
Wir kommunizieren damit entweder über das Claude-Interface oder über Slack.
Warum?
Vor allem, dass KI für mich arbeitet und also der arbeitet möglichst viel schon im Hintergrund alleine, weil wir viele Automatisierungen schon eingestellt haben und legt dann einfach auch die Arbeit da ab, wo es notwendig ist.
Also weiß ich nicht, die Vorbereitung von dem Termin liegt dann halt im CRM an dem Datensatz von dieser Person oder diesem Unternehmen, mit dem wir dann sprechen.
Oder das Angebot wird dann halt schon runtergeladen und wird schon an die E-Mail angehangen.
bevor es rausgeschickt wird.
Also der soll möglichst einen möglichst großen Teil des Weges schon gehen, eigenständig.
Aber der soll, wenn immer er Input von mir braucht, den natürlich bei mir einholen und über einen Kanal mit mir kommunizieren, in dem ich eh unterwegs bin.
Und da haben wir bei uns Slack eingeführt.
Wir hatten vorher Google Chat, hat gar nicht funktioniert, weil der ist einfach keine Anwendung an irgendeine KI, wirklich gut da.
Und Google hängt leider hinterher.
Also sind wir...
auf Slack gegangen und dort können wir super, super gut unseren Agenten einbinden und der kann uns dort Nachrichten schicken.
Wir können dem dort Nachrichten schicken und wenn der ein Feedback von uns bekommt, kann der dann wieder im Hintergrund loslaufen und den Rest machen.
Ansonsten gibt es aber natürlich auch immer mal so One-Off-Aufgaben, die gemacht werden müssen.
Dann mache ich einfach Claude auf.
Wie rollen wir das im Team aus?
Es gibt dann so eine Möglichkeit, Plugins aufzusetzen und über ein Plugin kann ich Skills, Kontext, und Tools, also Konnektoren, bündeln, wie so ein Paket und kann das, und auch Automatisierung, kann das bündeln und dann kann ich quasi ein Plugin bauen für, bei uns gibt es den Bereich Enablement oder ein Plugin für den Bereich Plattform oder ein Plugin für den Bereich Marketing.
Und da sind dann eben die Skills, der Zugriff auf den Kontext und schon die Tool-Konnektoren und so weiter drin gebündelt.
Und das kann sich dann ein neuer Mitarbeiter installieren.
Der gibt dann nur ein, ein neuer Mitarbeiter muss nur eingeben, bei uns Betriebssystem einrichten in Cloud.
nachdem er sich den Connector eingerichtet hat.
Und dann liegt da ein Skill dahinter, der die Person komplett durch das Onboarding durchführt.
Und es dauert so eine halbe Stunde ungefähr am Anfang.
Und danach hat die Person ein auf sich personalisiertes Betriebssystem, was aber gleichzeitig mit unseren Standards arbeitet, was Skills, Kontext, Tools und so weiter angeht.
Also wir haben darüber so eine zentrale Steuerung.
und Governance und Qualitätskontrolle, aber können es gleichzeitig auch sehr modular den Leuten die richtigen Dinge bereitstellen, die sie auch wirklich brauchen.
Wir haben das System jetzt bei uns, diese neue Version, seit einigen Wochen laufen und bisher haben wir noch nie besser mit KI zusammengearbeitet.
KI hat noch nie mehr Arbeit bei uns im Unternehmen auch erledigen können.
Wir hatten noch nie eine Struktur, die sich so gut mitentwickelt mit uns als Unternehmen.
Und deswegen bin ich auch so überzeugt von diesem Ansatz und freue mich, wenn möglichst viele Unternehmen auch in diesen Genuss kommen.
so zu arbeiten, weil es einfach so viel Kapazität im Unternehmen freischalten kann, die für viel wirkungsvolle und sinnvollere Arbeit investiert werden kann.
Größere Ideen zu verfolgen, bessere Produkte entwickeln, neue Märkte anzugehen, neue Zielgruppen anzunehmen, Ideen zu verfolgen, die immer so ein bisschen zu groß waren.
Das, was halt sonst liegen bleibt, weil alle überlastet sind.
Und wir bauen dieses System als einen wichtigen Baustein von einem AI-First-Unternehmen bei uns im AI-Collective.
Und ich möchte dich sehr gerne einladen, Teil von unserem AI-Collective zu werden, weil wir dort zum 13.
Januar noch einmal 30 Personen aufnehmen.
Und wir haben schon über 150 Mitglieder aus Unternehmen wie Unicef, Zeiss, LamyLux, Fiege, Google, viele, viele mehr.
tolle, ambitionierte Menschen, die KI in ihrem Unternehmen vorantreiben wollen.
Und wir teilen dort nicht nur unseren Blueprint von so einem Betriebssystem mit den ganzen Vorlagen und Anleitungen und auch einem Skill, um sich das für sich selbst aufzubauen und sich selbst darauf onzuborden und es Schritt für Schritt für das eigene Unternehmen in die Umsetzung zu bringen.
Wir machen dazu auch Live-Sessions jede Woche, wo wir das zeigen, sondern...
bringen bei, wie man ein AI-First-Unternehmen aufbaut.
Und das eigene Unternehmen, AI-First, denkt nicht nur das Betriebssystem, sondern auch, wie man das eigene Team mitnimmt auf diesem Weg, wie sich Rollen und Prozesse verändern müssen, neu gestaltet werden können.
Und das ist alles die Erfahrung, die wir in den letzten Jahren bei uns und bei über 100 Unternehmen, die wir beraten haben, gesammelt haben.
Und gleichzeitig hast du eben eine tolle Community, die den gleichen Weg geht.
Wie gesagt...
13.
Januar machen wir einen Kick-Off für die nächste Kohorte und nehmen 30 Mitglieder auf, 10 Plätze ungefähr sind jetzt schon weg.
Wir kuratieren das sauber.
Ich möchte nur Anwenderunternehmen drin haben, wirklich motivierte Menschen, die richtig Lust haben, ihr Unternehmen mit KI neu und besser zu gestalten.
Du kannst mal jetzt hier in die Shownotes gehen, in die Beschreibung von dem Podcast.
Da findest du einen Link auf die Seite.
Da findest du dann alle Informationen.
Siehst auch nochmal, kriegst mal so ein bisschen so ein Gefühl dafür, wer da so drin ist, was wir dort tun.
Und bewirb dich gern.
Und ich schaue mir das alles persönlich an und melde mich dann bei dir mit einem Feedback.
Einen letzten Punkt möchte ich noch für die Umsetzung mitgeben.
Das Wichtigste ist, anzufangen.
Ich glaube, dass wir in vielen Fällen gar nicht mehr unbedingt das Wissensproblem haben, sondern wir haben ein Umsetzungsproblem.
Dafür ist unser AI-Kollektiv auch wieder ganz gut, weil wir da hinterher sind, dass du das auch in die Umsetzung bringen kannst und vor allem bei Rückfragen auch da sind und zur Seite stehen und irgendwie diese Startvorlage geben.
Aber das Wichtigste ist anzufangen, denn KI ist da, nie so gut wie heute.
Plattformen konnten nie so viel wie heute.
Worum geht es?
Diesen Agenten aufzusetzen, das ist am Ende ein Walk in the Park.
Aber die Skills runterzuschreiben, den Kontext mal sauber aufzubauen, sich mit dem Team hinzusetzen und mal zu entscheiden, wie wollen wir denn hier eigentlich arbeiten?
Wie wollen wir diesen Prozess machen?
Wie sieht ein gutes Ergebnis aus?
Woran machen wir das fest?
Welche Vorlage wollen wir hier jetzt mal alle nutzen?
Das ist die Arbeit, die gemacht werden muss.
Das kann jedes Unternehmen jetzt, hier und heute tun.
Mit dem anfangen, was da ist und von dem Ort loslaufen, wo man jetzt steht.
Anstatt nur über die Zukunft zu träumen und zu sprechen, aber nicht den ersten Schritt zu machen.
Das möchte ich einfach nochmal abschließend zu ermutigen.
Denn es lohnt sich.
Haben wir diese Struktur, haben wir so ein System aufgesetzt, kann KI super viele Aufgaben, die viele Menschen auch einfach heute nicht mehr machen wollen, kann uns dabei unterstützen oder sie sogar übernehmen.
Was wieder andere Herausforderungen mit sich bringt, weil wir uns als Organisation dann auch weiterentwickeln müssen.
Aber ich glaube, dass da viel, viel mehr Chancen als Gefahren lauern.
Ein letzter Punkt.
Wir haben, wie gesagt, sind in einigen Unternehmen drin, wo wir genau das jetzt implementieren.
Wir haben sehr gute Erfahrungen damit gemacht.
das hängt stark von der Größe ab der Firma, aber eine größere Organisation mit einer Abteilung anzufangen und das für eine Abteilung mal aufzusetzen, mit dem zentralen Agenten die Skills runterzuschreiben.
Kontext zu dokumentieren, Schnittstellen zu legen und die Konnektoren zu verbinden, für die Tools, mit denen gearbeitet wird, die Regeln zu definieren für diese Abteilung, was es erlaubt, was nicht, was darf der Agent alleine machen, wo bindet er die Kollegen mit ein, diese erste Feedback-Schleife dort mal mit einzusetzen, vielleicht die ersten einfachen Automationen aufzusetzen und vor allem diese Abteilung mal ins Doing zu bringen.
Dass mal jeder anfängt, damit zu arbeiten, anstatt mit irgendwelchen verstreuten Prompts, Agenten, unterschiedlichen Tools.
Ja, also diese ganze Kleinteiligkeit mal loszuwerden.
Das ist der Blueprint.
Also erstmal ist das oft ein richtig cooler Case, wo man so einen Blueprint aufbauen kann, der dann auch auf andere Abteilungen übertragen werden kann.
Und man wird sehr, sehr schnell sehen, dass die Arbeit mit KI viel systematisierter ist.
Die Mitarbeiter werden...
glücklicher sein, weil sie besser, schneller bessere Ergebnisse kommen und KI endlich ihr Versprechen erfüllt, nämlich hilfreich für uns zu sein und wir nicht dieses Babysitting machen müssen.
Und ihr habt halt eine Struktur, die sich auch auf andere Abteilungen übertragen lässt.
In diesem Sinne, das war jetzt eine längere Folge.
Ich hoffe, dass da der ein oder andere Insight dabei war.
Ich verlinke dir noch einen Artikel in den Shownotes.
Da habe ich vieles auch beschrieben von dem, was ich heute erzählt habe.
Und hier nochmal ein letzter Hinweis.
Wenn du so ein System für euch aufbauen möchtest, nicht nur technisch, sondern auch die Leute mit auf den Weg nehmen möchtest in deinem Unternehmen, diese neue Arbeitsweise bringen willst und dein Unternehmen so gestalten möchtest, dass es im KI-Zeitalter vorne mitspielen kann, dann freue ich mich.
Wenn du zu uns ins AI-Collective kommst, genau da verfolgen wir diese Mission vielen tollen Menschen und würde ich mich freuen, von dir zu lesen.
Ansonsten lass gerne auch mal ein Feedback da.
Wie findet ihr diese Solo-Folgen?
Wie war das jetzt?
Was sind vielleicht auch noch für Fragen offen?
Dann kann ich ja auch noch mal eine machen.
Und in dem Sinne, bis bald.