#74 KI als Betriebssystem: Felix Schlenther von AI FIRST beschreibt die Evolution seiner Agenten.

Tag & Tails! Herzlich Willkommen zur 74. Folge von Tag & Tails. Mein Gast heute ist Stammgast Felix Felix hat seine eigene KI-Filmer AI First und Implementiert Systeme, Er macht Workshops, er schlaut die gesamte Führungsriege in großen Unternehmen auf und wir führen heute quasi unsere Konversation fort, die wir vor, ich würde sagen, am halben Jahr oder so hatten, in der wir über Agenten sprachen. Und KI entwickelt sich ja so wahnsinnig schnell weiter, dass wir heute einfach daran angknüpfen wollen und der Auslüsse dafür war die Data & Plakte. Denn Felix und ich haben beide dort eine Keynote gehalten und die Spannungsverhältnisse finde ich ganz interessant, weil wir es eben aus zwei verschiedenen Perspektiven betrachten. Diese Folge ist Teil einer Doppelfolge der erste Teil kam gestern am Freitag raus. Felix macht noch einmal schnell eine Mini-Vorstellung. Ja heizusamt, vielen Dank, dass ich noch mal hier sein darf. Ich bin Felix aus Hamburg und gründer von AI First vor zwei Jahren die Firma gestartet und sind in vielen mittelständischen Unternehmen unterwegs und treiben dort die Transformation voran und um zu verstehen wie das funktioniert, weil die Blaupause dafür gibt es ja noch nicht. Haben wir uns mit unserem eigenen Firma. Wir so eine Art Labor geschaffen, in der wir alles mögliche ausprobieren, was Google and Tropic und Open AI uns vor die Füße werfen. Das erst mal uns selbst in die Prozesse integrieren, lernen, wie sich unsere Organisation damit umstellen muss und das, was wir dabei gelernt haben und was funktioniert. Das bringen wir dann zu unseren Kunden. Ja, mega gut und deine Kinohilis jenseits von Tools und Ergenten, KI als Betriebssystem deines Unternehmens. Und ich denke, dann geht sicherlich die Reise hin. Also, das heißt, das Unternehmen sich in die Richtung transformieren müssen, dass eben das System komplett neu gedacht wird, das Prozess Schritte neu gedacht werden und eben nicht nur eine Technologie integriert wird, sondern das Unternehmen komplett neu gedacht werden muss. Und als Thema, wie so der Anfang war, also als wir vor Jahren sprachen, da haben wir immer rakell, welche ist die besten Tools sind. Wir haben beide irgendwie LinkedIn Post gemacht, so die besten Tools aus des Monats. Ich weiß auch, als ich selber quasi einen Tool war, also nicht ganz, aber als wir mit Oxolo einen Tool gebaut haben, da war ich auch immer epicht auf diesen Listen zu sein und das hat sich ja gewandelt. Was ist deine Perspektive oder wie siehst du das oder wie siehst du diesen Wandel vor allen Dingen? Ja, genau. Also, das war so 2023, würde ich sagen, vor allem als der LLM und Gené Heib so richtig losging, dagegen ganz viel um Tools und so, war auch unser Blick damals auf KI. Das war ein Werkzeug, was wir insbesondere in Form von Lizenzen, da hat man seine Oxolo-Lizenzen und sein Schädschipitilizenz und seine Gamma-Lizenz und die haben wir unseren Teams in die Hand gedrückt, um schneller und besser zu arbeiten. So und für jede Aufgabe hatte man dann irgendwie sein Tool, was eine bestimmte Funktion hatte, mit dem einen konnte ich Präsentation bauen und mit dem anderen meine Videoavartare für das E-Learning erstellen und mit dem nächsten konnte ich meine Texte schreiben. Und haben so erst mal unser eigenen Fähigkeiten erweitert und multipliziert. Und das heißt, wann war bei dir so der Schritt von dieser Rhein-Tool-Landschaft, also von den Nutzen von einzelnen Applikationen zum Verkettung quasi. Also ich meine das war ja sozusagen die Präagentifizierung. Das waren so die ersten Schritte, dass man Tools quasi aneinander reinkommt. Und ehrlich gesagt auch davor, bevor man das gemacht hat, waren das eher APIs. Also und das war relativ komplex. Ich meine wir haben das Bauchsollo auch gemacht, das heißt wir hatten APIs zu verschiedenen Systemen. Das heißt, der erste Teil hat dann die Sprache oder den Text generiert, der zweite Teil der Universität, der dritte Teil hat in gesprochen, der vierte Teil hat dann daraus ein Avertage gemacht und dann ein Video so. Aber das war ja quasi die Agentifizierung auf Tag-Ebene. Aber in dem BTC-Bereich, also auf Konsumer-Ebene, auf Nutzer-Ebene, hat man das noch nicht gesehen. Das heißt, was waren bei dir dann die nächsten Schritte? Genau das, was du gesagt hast, das haben wir dann in 2023 damit so die ersten LLM-Juskehs ist umgesetzt, über APIs, die dann einen GPT-4-Modell zum Beispiel das angesprochen haben, um Support-Anfragen die Antworten vorzuschreiben und solche Geschichten. Aber was die Modelle damals noch nicht wirklich konnten, ist eigenständig in irgendeiner Form arbeiten. Also die konnten die Wahrscheinlichkeit berechnen für die nächsten Tokens für so ein paar Sätze und dann war aber auch Schluss. Und diese Fähigkeit eigenständiger, komplexere Aufgaben und Probleme zu lösen, das ist ja ein Entwicklungsstrang, den die Modelle genommen haben, neben dem zweiten Entwicklungsstrang, dass sie immer flexibler geworden sind, unterschiedliche Datentüpen zu verarbeiten. Also Text, Bild, Audio, Video und Code von einem Modell verarbeitbar, also Multimodalität ist der Fachbegriff dahinter. Also die zwei Sachen sind dann passiert relativ flott. Und bei uns war dann im Oktober 2024, war das. Da kam dann so die ersten Reasoning-Modelle, die halt eine Aufgabe bekommen haben. Und dann haben sie die runtergebrochen in verschiedene Unteraufgaben und haben Schritt für Schritt die Unteraufgaben abgearbeitet. Wie so eine Tudulisse, die sich geschrieben haben und dann haben sie gesagt, ich fange oben an und dann Schritt für Schritt arbeite ich mich vor. Das geht heute, heute ist das ganz normal. Jeder, der mit so einem Reasoning-Modell arbeitet, mit den neuesten Modellen, kann man das schön beobachten in Gemini oder in Claude oder so, die brechen sich erstmal diese Aufgabe runter und arbeiten dann ab. Und das ging dann los, womit so wirklich dieses agentische Zeitalter damals gestartet hat. Weil auf einmal ein Modell, mit dem wir vorher einen einfachen Marketing-Text zum Beispiel geschrieben haben für Newsletter oder für die Website, das konnte jetzt in einem Schritt recherchieren, aus den Rechercher-Ergebnissen Ideen ableiten für den Content, konnte die Texte übersetzen und dann haben wir dem Modell noch Zugang zu unserem Contentplanungs-Tool gegeben und dann konnte das noch den geschriebenen und übersetzen Text dort einstellen. Also auf einmal mehrere Schritte in einem so. Und das war dann das der Beginn von Agenten. Aber wie zu, weil es sich war, hat das wirklich funktioniert. Also ich weiß noch, wie du erzählt hast, dass du zum Teil, dass ein Telegram hat es, das heißt, du hast deine Gedanken, wir auch mal mit deinem Agenten ein Telegram geteilt, der wiederum hat es dann an die richtigen Sub Agents sozusagen weiter verteilt. Du hast es glaube ich über naeet, oder über Lengdork hast du, Lengdork hast du es glaube ich auch kestriert. Hat es wirklich funktioniert? Oder hast du viel Halluzinationgeräbe gesehen oder beziehungsweise und das eigentlich die eigentliche Frage hast du richtig Dinge generiert oder eine Prozessmodellierung? Okay, also das sind jetzt um mehrere Punkte dabei. Also was natürlich LLM in ihrer Natur haben, ist das die immer eine Wahrscheinlichkeit berechnen. Die Wahrscheinlichkeit ist nie 100 Prozent. Also es können immer Fehler passieren. Die Fehler kannst du reduzieren, indem du immer mehr Leitplanken den Modellen setzt und indem du komplexere Aufgaben falls sie zu unzufalässig sind, weil die Modelle ausbrechen, unterteils in kleinere Schritte und diese Schritte dann wieder an ein an der Kettest in einem Workflow, wo ganz viele kleine KI-Schritte mit eingebunden sind. Ganz kurz, wir sehen Leitplankenhaus, kannst du einmal erklären, wie du das gemacht hast? Ja, klar, also zum Beispiel über den System Prompt kann man verschiedene Leitplanken setzen, was das Modell darf und was nicht. Und das ist das, was heute, nennen man das fast schon gar nicht mehr so, da können wir später noch mal darauf zu sprechen, aber früher nannte man das halt Prompt Engineering, also über verschiedenste Techniken, dem Modell zu erklären, wie es sich verhalten darf und wie nicht. Auf der anderen Seite über die bereitgestellten Daten sicherzustellen, dass die Modelle nur auf Informationen zugreifen, die ihr für die Verarbeitung von der Aufgabe relevant sind und dann über Zugriff auf verschiedene API's, die sie nutzen können, also Schnittstellen in der andere Systeme, sicherstellen, dass sie dort wirklich nur die Sachen machen dürfen, die sie machen sollen. Ich gebe zum Beispiel, wenn man Zugriff, zum Beispiel auf den E-Mail Account gibt, dann kann man Zugriff geben auf alles, dann können E-Mail drafts erstellt werden, E-Mails ausgelesen werden, E-Mails verschickt werden oder was wir zum Beispiel gemacht haben, es wir haben niemals die Aktion freigegeben, eine E-Mail versenden zu dürfen, sondern jede KI dürfte maximal ein draft hinterlegen, der noch mal von einem Menschen gebaut wurde. Was wir außerdem gemacht haben, ist, dass wir in Prozesse das eine Modell, unter der eine Agent hat ein Ergebnis produziert, dann haben wir dahinter noch einen Agent geschalten, der das Ergebnis kontrolliert hat und Feedback gegeben hat. Und später kamen solche Kamm-E-Wells, also E-Valuationen als Naht-Funktion in die Tools, dass ich sagen konnte, ich spiele das Ergebnis, was ich von dem Modell bekomme, gegen erwartete Werte, wie dieses Ergebnis aussehen müsste. Und darüber wird dann eine E-Valuation vorgenommen, mit welcher Wahrscheinlichkeit dieses Ergebnis korrekt ist oder nicht. Und dann konnte man schwellen, Werte definieren und sagen, wenn das Ergebnis so 99 Prozent korrekt ist, dann wird es weitergeleitet, wenn es nicht korrekt ist, wird es wieder zurückgespielt ans Modell, das generiert eine neue Antwort spielt, das wieder gegen die erwarteten Werte und wenn es dann dann geht's irgendwann durch. Aber das heißt, du hast Ivels Agents gebaut? Nee, die Ivels, die konnte man hinter die Agents legen. Immer jedes generierter Ergebnis von den Agents wurde gegen die Ivels gespielt. Aber die Ivels selber muss ihr auch definieren. Hast du das dann gemacht oder birt das gemacht? Genau, dafür brauchte man erst mal vorher Ergebnispare. Man musste quasi reingeben. Das ist der Input, den der Agent bekommt. Und das ist der erwartete Output für diesen Input. Gibt man Beispiel, mein wegen Rechnungslegung? Genau, Rechnungslegung. Du hast eine Rechnung, die reinkommt. Das ist zum Beispiel ein PDF, wo dann verschiedene Informationen stehen. Und daraus sollen dann die Adresse und Zahlungsbetrag und so was rausgezogen werden. Und dann könntest du festlegen, für diesen Input müssen folgende Daten-Outputs von dem Agent erzeugt oder gefunden werden. Es ist nicht so 100% korrekt, weil man wahrscheinlich so eine andere Methode nehmen, wie so eine OCR-Akennung oder so. Kann man aber mittlerweile über LLMs machen. Aber das könnte zum Beispiel so was sein. Okay, das heißt im Ivel würde dann stehen. Okay, Adresse ist vorhanden. Datum ist vorhanden. Rechnungsnummer ist vorhanden. Betrag ist vorhanden. Bitte an Datafightersenden. Also ich weiß, Datafight immer noch keine Stimmstelle. Aber theoretisch ja, richtig. Das war die Iveluation. Die checken würde, ob das, was der Agent quasi gerade herausgefunden hat, korrekt ist. Und das ist dann eine Guard Rail. Okay, danke. Genau, weil das Ergebnis ansonsten nicht weitergeleitet werden darf, wenn dieser erwartete Wert nicht erreicht wird. Und somit kann man es halt ein Stück weit vermeiden, das komplett haluzinierte Ergebnisse in den nächsten Prozess-Stritt weitergegeben werden und sich dieser Fehler dann durch multipliziert, durch die gesamte Kette. Klar, und hat das bei dir immer funktioniert, so weit? Das ist dann natürlich ein krasses Optimierungsthema. Den Prompt, das LLM, die dahinterliegenden Daten soweit zu optimieren, dass das Ergebnis immer näher dem erwarteten Wert kommt. Aber das ist etwas, was ich optimieren lässt. Das wird jetzt immer einfacher, weil die Modelle immer besser werden. Damals hat zum Beispiel dann irgendwann auch das Spielen gegen die Ivels hatte fast schon mehr Togens verbraucht, als die Generierung des Ergebnisses selbst. Weil das dann auch teilweise mehrere Schleifen drehen musste, bis dann das richtige Ergebnis rauskam. Also es war noch relativ rechnintensiv. Und beim zweiten, also wenn das Ivel auf das zurückbauen, sozusagen, war dann das nächste Ergebnis. Also wurde es tatsächlich so lange zurückbauen, bis es okay war oder hat das irgendwann aufgehört. Habt ihr eine gewisse Zahl festgelegt, wie viele Versuche es geben darf? Weil mich wundert, dass das so gut funktioniert hat, weil aus meiner Erfahrung sind so viele Ergebnisse mal falsch. Ja, er wäre immer falsch generiert. Das heißt, es kann aber auch sein, dass es einfach Fehler unsererseits oder meinerseits sind. Aber ich finde es super spannend zu hören, wie du diese Gardrares sozusagen eingezogen hast. Es kann auch daran liegen, dass du diesen Aufgabenbereich so gut definiert hast. Weil ich glaube, du hattest ja einmal diese Donner Chief of Staff, zum Beispiel, dann irgendwie du hattest Rick, ein Podcastproducer, der der Aufgaben hat und dann stand auf einer, dann vorher von dir noch Barbara die Buchhalterin. Das heißt, du hast ja bei diesen drei Agents sehr vor definierte Aufgaben und auch einen Wissen, was du gesagt hast, wo sie zugreifen dürfen und eben auch die Tools, die sie ja zu verbenten dürfen. Und das hat bei den Eindreisungen geklappt, ja? Also natürlich hat das nicht alles superflulles funktioniert. Aber du musst bedenken, wir investieren 100 Prozent unserer Zeit auf diesem Thema. Und wir haben die Promts dahinter, die Promts für die unterschiedlichen Modelle, wie welche Daten bereitgestellt werden, wie die aufbereitet sind. Und und und, haben wir dozentig mal, wenn ich sogar noch mehr iteriert und iteriert und iteriert und iteriert. Also wir haben das ist nicht so set and done, sondern das wurde fortlaufend in der Nutzung immer und immer weiter geschliffen. Und am Anfang, das ist, wir haben ja dann gesagt, um jetzt immer den Bogen zu spannen, am Anfang war kein Enttul, dann haben wir kein Zumeterbeiter gemacht, als Agenten dann kamen. Weil wir gesagt haben, das tut das Modell, kann ja jetzt irgendwie lesen, schreiben, selbstaufgaben planen und kann andere Tools nutzen. Dann haben wir gesagt, das ist ja eher so was wie ein Mitarbeiter und kein Tool mehr. Und dann haben wir angefangen, wie du es gerade gesagt hast, zu schauen, was haben wir denn für Jobs to be done? Darüber habe ich auch beim letzten Mal in unserem Podcast und Stück weit gesprochen in unserer Company. Und wen würden wir denn jetzt einstellen? Der das machen kann. Zum Beispiel, ich habe den Podcast, ich brauche eigentlich einen Free-Lancer, der mir bei der Vor- und Nachbereitung hilft. Aber dann haben wir alles versucht, irgendwie über Agents lösbar zu machen. Und dann haben wir diese Personas entwickelt. Und für diese Personas haben wir super detailliert. Also unsere Promts, die hinter diesen Agents lang, die waren teilweise zehn Seiten lang. Oder so. Also wirklich im Detail da, also wirkliches Prompt Engineering gemacht, damit der Input, den die bekommen, wirklich sehr akkurat, immer wieder so verarbeitet wird, wie wir es haben wollen. Damit haben wir die Akkuranz der Outputs Schritt für Schritt, für Schritt verbessert bekommen. Aber am Anfang war da immer einen Mensch, der total Ruhe über Sicht hatte, über jeden Agents. Also jeder Agents hatte halt einen Menschen als Geistführungskraft. Und die haben einen onrohigen gemacht. So eine anwendene Probearbeit-Fase. Da haben die halt, wir haben uns dann von KI, haben wir uns dann Test Cases generieren lassen für diese Agents, je nachdem was sie machen mussten. Und haben den halt erst mal 100 Testaufgaben gegeben, die Ergebnisse kontrolliert, geguckt was alles schief lief. Und dann die Promts und diesen ganzen Ablauf so weit optimiert, jedes Mal, dass es bei mir wieder besser wird. Und so ist dann irgendwann die Qualität hochgegangen. Aber das ist natürlich aufwandt. Klar, da geht richtig, richtig Zeit rein. Und ich glaube, das wird auch oft total unterschätzt, dass man denkt, du kieg, baum mir jetzt hier irgendwie mal schnell was zusammen und dann läuft das. Ja, Wahnsinn. Aber wie viel Leute hast du die, die dabei helfen? Na, wir waren zu dem Zeitpunkt, waren wir noch zu dritt. Und ich meine, wir haben das alle drei, haben wir das gemacht. Aber haben da halt ein Großteil unserer Zeit auch investiert. Weil wir aber natürlich das, was wir da lernen, auch wieder zu unseren Kunden bringen. Also wir tnieren ja andere Leute und irgendwie setzen diese Use-Case dann auch bei Kunden um. Deswegen ist das so, also es ist total interessant, weil ich werde immer mal wieder darauf gechallend, dass Leute sagen, ja, du hast doch hier keine Anzuzufnung, ein paar Stunden die Woche arbeiten, das läuft auch alles schon automatisch. Aber unser ganzes Produktivität, die wir gewinnen, investieren wir wieder in R&D aufwende. Weil wir müssen uns das alles angucken, was uns die AI-Lapse dafür vor die Füße werfen und das verändert sich die ganze Zeit. Und ja, da ist einfach sehr viel Zeit reingegangen. Ja, auf Englisch sagt man, "You put your money where you're miles is". Ich meine, das ist wahnsinnig. Ich glaube, die wenigsten Beratungen machen, das hat tatsächlich so wie du. Dass man, du bist ja dieser, der wirklich AI-First. Das heißt, dass ihr wirklich einfach die gesamte Zeit damit verbringt, wie ihr die eigenen Systeme optimieren könnt. Und ich glaube tatsächlich auch, dass das für die Firmen ultra wichtig ist, das genau so zu machen, weil sonst dieser Erfahrungshorizont irgendwie nicht da ist. Es fehlen diese ganzen Erfahrungswerte, es fehlen die Basics. Sicherlich werden die Systeme immer besser und auch immer intuitiver. Und auch die UX-Jual wird immer besser. Das heißt, wie es aussieht, das wird immer mehr Plak- und Plays sein. Also das, was ihr so explorativ da vor zwei, drei Jahren gemacht habt, das wäre sicherlich Erfahrung sein, die man wahrscheinlich irgendwann nicht mehr machen muss in der Tiefe. Aber die Systeme entwickeln sich auch weiter. Also wenn ich mir das jetzt angucke, was Klaut und so weiter kann, dann entwickelt sich das meines achtens immer mehr in die Richtung eines Autonomersystemen, die man selber Koden muss quasi, indem er mit den Systemen spricht. Und sie dann auch tepläuen muss. Das heißt, man braucht schon so ein grobes Verständnis von wie Software-Architekturen aufgebaut sind. Und das kommt ja nicht über Nacht. Also das heißt, das muss man schon dann quasi durch Erfahrungen lernen. Aber wenn wir weitergehen, das heißt, die nächste Stufe war, dass ihr dann eine ganze Flotte an quasi Mitarbeitern hattet. Also, es war nicht nur meine Favorite Donner. Ich liebe Suits übrigens auch. Sondern es war, ich hatte dann eine ganze Scharnanmitarbeiter. Und das heißt, irgendwann wurde die, stieg dann sicherlich auch die Komplexität aufgaben. Das heißt, diese Guard-Rail, wahrscheinlich und diese ganzen komplexen Systeme, die er miteinander verschraubt hat, konnten wahrscheinlich dann immer von immer weniger Agenten gelöst werden. Also wie hast du das um Funden die letzten zwölf Monate, also diese gewisse Skalierung, die wir gesehen haben? Ja, wir hatten dann 25 ungefähr 25 so Kaïben mit dabei. Da könnte man sagen, die einzelne Agents waren, die auf eine bestimmten Rolle, die hatten alle in Gesicht, Kunden nahmen und so. Also wir haben halt gesagt, dass es doch jetzt die Organisation der Zukunftstuhe halt Menschen hast, die so AI-Agent-Teams steuern. Das ist auch das, was ganz viele Beratungen und so gerade erzählen, dass das der Weg ist. Und wir kommen ja gleich dazu, wie ich heute darüber nachdenke, aber bis Ende dezember 2025. Er habe ich gesagt, klar, das ist auf jeden Fall der Weg, wie wir Kaï weiter in der Komponie skalieren. Und wir haben dann aber schon gemerkt, dass wir bei diesen ganzen einzelnen Agents irgendwie immer noch dazwischen hängen, weil wenn du dann so einen besseren Chatbot hast, der so ein paar Aufgaben für dich machen kann, aber an den du jede einzelne Aufgabe wieder delegieren musst, ist das so, ja, ist das schon besser, als wenn du jetzt so einen Chatbot hast, wo du immer Koppi in Pays machst, aber geht trotzdem viel verloren. Also was haben wir gemacht? Wir haben die Agents dann schrittweise in Prozesse eingeführt. Also die Barberaden, die Buchhalterinnen, der habe ich nicht jeden. die Beleggegeben, die Rechnung gegeben, sondern die hat sich die natürlich aus der Inbox gezogen. Also jede Rechnung und so die reinkamen, wurde von ihr verarbeitet und dann mit den Ausgaben und so gemäppt. So, okay, das war dann halt mal so ein Prozess. Aber irgendwann war es ja an dem Punkt, da mussten eigentlich mehrere von diesen Agents zusammenarbeiten. Und dafür hatte ich dann, wollten wir dann so Agent Teams aufbauen oder Multiagentensystemen, wenn man das auch, und da habe ich aber zumindest gelernt und es sind nicht, vielleicht kann mich irgendjemand noch erhellen, wie das funktioniert, dass diese Handover von einem Agent zum nächsten und nicht nur in eine Richtung. Also, also, so sagst Agent 1 macht das, Agent 2 macht das, Agent 3 macht Dress und so eine Kette. Das geht noch relativ gut. Aber, dass du sagst Agent 1 macht das. Und wenn der da irgendwie merkt, ich brauche noch was, dann geht er wieder zurück zu Agent 2. Und Agent 2 geht dann wieder zurück zu Agent 1 und die sprechen quasi miteinander, so wie man das im Team machen würde, sagen, hey, lass mal ein Beding machen und das kurz klären. Und wenn es geklärt ist, läuft der eine weiter. Das so zu bauen, dass sie sich irgendwann nicht mehr die ganze Zeit im Kreis drehen, sondern auch, man will ja auch, es kostet ja alles Geld, die Togens, die da verbraten werden, dass die möglichst effizient dieses Problem, was auch immer es gibt, gelöst bekommen, um dann weiterzugehen. Zum Beispiel in der Content-Astellung, das du sagst, du hast einen, der macht die Recherche und der eine kuratiert dann die Ergebnisse. Aber wenn der im Kuratier noch nicht die Sachen gefunden hat, die eigentlich braucht, um in Content-Pieße nach unseren Qualitätsstandard zu erfüllen, dass er dann noch mal zurückgeht zur Recherche und der noch mal was Neues raus sucht und so. So was können wir uns zum Beispiel bauen. Da haben wir dann gemerkt, dass das noch relativ experimentell ist, so mehrere Agenten wirklich effizient miteinander arbeiten zu lassen und solche Agent-Teams zu bauen, die Autonomen zusammenarbeiten. Da habe ich aber gesagt, das ist die intellektuelle Nuss, die wir knacken wissen. Das müssen wir herausfinden, wie man Agent-Teams baut, die quasi eine Führungskraft auch als Agent haben und sich darüber selbst steuern können. Und so sind wir dann bis Ende des Jahres rausgelaufen und so bin ich auch in dieses Jahr gegangen, dass ich gesagt habe, okay, das müssen wir herausfinden, das so wie baut man so eine agentische Organisation. Ja, es gibt dazu zu sagen, dass es ja ökonomische Theorien gibt, die sagen, dass wir als Menschen oder als Wirtschaft ziemlich inefficient sind. Und woran liegt das? Also einer der Ökonomen, die das postuliert hat, heißt "Herbald A Simon". Ja, der hat in den 50er Jahren gesagt, dass wir einfach nicht rational genug arbeiten, um quasi unsere Profite zu maximieren. Und er hat gesagt, wir haben immer irgendwie Abteilungen, die wieder strebene Ziele haben miteinander, wir haben keine gute Kommunikation untereinander. Es gibt jene Menge Politik und es gibt Verhandlungen in der Unternehmen. So, das heißt, das Kernproblem ist, dass wir als Wirtschaft oder als auch als Unternehmen hochgradig inefficient sind als Menschen. So, das heißt, wir müssen, weil diese Organisation so inefficient ist, müssen wir anfangen, geschäftet auf andere Art und Weise zu machen. Ja, wesentlicheficienter. Und ich glaube, dafür ist KI als Betriebssystem der entscheidende Ansatz, weil, wenn KI anfängt zum Beispiel System oder Produkte so zu bauen, dass die, die meinwenden des Verpackungsmatter ja so minimiert werden kann, weil die andere KI, weil der Time to Mark so kurz ist, dass man meinwägend nicht mehr so viel Schichten an Plastik braucht, weil das, weil das Produkt ohnehin nur irgendwie in einem Tag im Lager steht. Also, das heißt, diese Grundoptimierung, ich glaube, nur das kann KI. Und ich glaube, das, was du als intellektuelle Nuss quasi bezeichnis, ist letztlich das Ombauern von Unternehmen in diese Richtung, dass eben die Prozesse so sind, dass das mit KI möglich ist, bzw. einfach das komplette neue Aufbauern von Unternehmen. Und das ist das ja am Ende, was du machst und auch das, was der eigentlichen Schlüssel ist. Das Grundproblem ist natürlich dann in diesem ganzen Kontext, wie man das Ganze also "Gavern" regelt und orchestriert und so weiter. Und das heißt, wie hast du, also ich mein, wie machst du denn das? Das du selbst, wenn du AI First bis und so weiter, dass es als noch im Rahmen bleibt oder nach Regeln funktioniert. Ja, also vielleicht knüpfe ich noch mal ganz kurz an, wie wir dann weiter gegangen sind von da. Also, ich wollte es zur Knacken, aber ich habe schon gemerkt, dass es sehr komplex jetzt diese Agenten, Teams und Strukturen in unsere aktuellen Strukturen irgendwie rein zu drücken. Weil wir versuchen halt KI in die Rolle von etwas menschlichen zu stecken, nämlich die Rolle eines Mitarbeiters. Aber die Frage ist ja, passt KI überhaupt in diese Rolle rein? Ist das die richtige Rolle für KI? Oder ist das die richtige Rolle und Form für uns für KI? Weil wir das irgendwie kennen und als intellektuelles Konzept verstehen können. Das ist Mitarbeiter AOK, kenn ich. Der hat einen Namen, der hat einen Gesicht, der hat seine Rolle und der macht X, Y und Z. Und mit dem arbeite ich irgendwie zusammen. Aber es ist die Frage, also es ist gariert auf jeden Fall. Nee, das kann ich wieder vorstellen. Ich habe jetzt gelesen, irgendwie mehr Kind, sie hat 10.000 AI-Agence. Viel Spaß. 10.000 AI-Agence zu warten, zu steuern, zu kontrollieren und so. Keine Chance. Du hast ja genau das gemacht. Ja, du hast dann die Prozesse quasi neu gedacht. Also, das heißt, du bist von uns dann menschlichen Denke weggekompt von dieser krassen Indifizienz. Und du fängst an, neu, das zu definieren. Genau. Und wodurch kam das, das war Februar dieses Jahres, hat ein Tropic, das neue Cloud-Opus-Fie-Punkt 6-Modell gelauncht. Und da gab es so ein Riesenbas, da war irgendwie was in der Luft. Weil ganz viele Entwickler auch angefangen haben, mit Cloud-Code zu arbeiten. Und auf einmal kam unter diesen coding agent ein neues, neu Grundlage mit diesem Modell. Und auch in einige andere Tools. Ja, insbesondere bei Claude wurde das dann irgendwie nutzbar. Und auf einmal war die Arbeit mit KI schon so ein bisschen anders. Weil dieses Modell noch mal viel, viel, viel eigenständiger wurde, als die vorher und die Qualität und Präzision, wie es gearbeitet hat, deutlich weiter war als das, was wir vorher kannten. Als das kam, immer, wir gucken uns immer an, was sie, wenn nur neue Modelle kommen, testen wir die. Und wenn wir merken, da gibt es irgendein Sprung in den Fähigkeiten, hinterfragen wir einfach alles noch mal, was wir gerade tun. Das müssen wir, müssen wir einfach machen, schon allein aus Respekt vor unseren Kunden, die erwarten, dass wir die irgendwie eine State of the Art wissen, dort reinbringen. Also haben wir einen Test gemacht und die Donner, die du jetzt zum Erfacher angesprochen hast, der haben wir mal Zugriff gegeben auf sämtliche Prozessdokumentation, Datenquellen und Systeme, die wir nutzen. So ein paar Schnittstellen zu anderen Tools. Und dann hat Donner, hatte dann nicht mehr die Anweisung, irgendwie die Chief of Staff zu sein, sondern einfach nur noch sich die richtigen Prozesse, Daten und Schnittstellen rauszusuchen, die sie benötigt, um die Aufgaben, die wir geben, auszuführen. Und die hat dann unterschiedliche Aufgaben bekommen, die sie vorher nicht machen sollte, also aus Marketing, Sales, Support und so. Und die hat sehr, sehr mit diesem neuen Modell unter der Haube, Claude Opus 4.6, sehr, sehr akkurat dieser Aufgaben ausgeführt. Das war noch nicht perfekt, perfekt, aber das war auf einem sehr ähnlichen Level, wie das vorher diese spezialisierten KI mit dabei da gemacht haben. Und da hat das bei mir total klick gemacht, weil ich auf einmal gecheckt habe, ja, klar, die ist das total egal, ob das jetzt Donner, Martin oder Peter ist, sondern die braucht halt eine Aufgabe und das kann sich dann jedes Mal, wenn Zugriff auf diese Daten und Schnittstellen hat, so konfigurieren, wie es notwendig ist, um eine bestimmte Aufgabe erledigen zu können. Und der technische Fortschritt, den es gab, war, dass das Modell noch autonoma arbeiten kann, an komplexeren Aufgaben, ohne sich dabei zu verlieren. Ganz kurz hast du ein beile Assoon-Konkretes Beispiel, was Opus 4.0 anders gemacht hat als das Modell, was du vorher drin hattest. Was hattest du vorher drin? Vorher hatten wir viel mit den Gemini-Modellen gearbeitet und mit dem Claude Sonnet hier Punkt 5 Modellen. Gau, ich glaube ich, teilweise auch schon mit dem Opus-Modell. Aber du hast ja auch die Kino halt gehalten, und auch diesen Chart gezeigt von meter.org, vielleicht können wir das hier an die Show-Nodes packen, die reporten, weil allen neuen Modellen an coding aufgaben, insbesondere, wie lange menschliche Experten brauchen, für Aufgaben, die die Modelle eigenständig lösen können. Und das Modell sieht man sehr schön auf dieser Kurve, wie das ins exponentielle Wachstum geht, weil das Modell auf einmal eine Aufgabe lösen kann für den Mensch, sonst 10, 11 Stunden oder so, das sind noch Ausreißer und da passieren auch noch Fehler. Aber man hat da gesehen, dass es einen Sprung in dieser Autonomie gibt, die das Modell machen kann. Und was wir dann und diese Autonomie und jetzt schließe ich den Bogen, das hat dazu geführt, dass wir nicht mehr explizit sagen mussten, Schritt 1 macht das, Schritt 2 macht das, Schritt 3 macht das. Sondern wir konnten sagen, du bekommst eine Aufgabe, du hast Zugriff auf unsere Prozessdokumentation, auf sämtliche Datenquellen. Wir haben so eine Daten-Landkarte quasi gebaut und auf Schnittstellen. Und dann guckst du in die Prozessdokumentation rein und findest die Prozessdokumentation, die du brauchst, um diese Aufgabe auszuführen, suchst dir dann die Daten, die dort beschrieben sind, um den Kontext zu haben, den du für diese Aufgabe brauchst. Und sprichst die Schnittstellen an, die du benötigst, um die Aufgabe erledigen zu können. So mal vereinfacht gesagt. Und dann haben wir gesehen, dass das Modell das super zuverlässig gemacht hat, weil es sich sehr viel Zeit lassen konnte, das sich diese Prozessdokumentation auszulesen. Basieren auf dieser Prozessdokumentation, wieder die nächsten Tudus abzuleiten, sich wieder eine neue Tuduliste zu schreiben, loszulaufen und die Daten zu suchen. Wenn es die Daten nicht gefunden hat, noch mal woanders nachzukucken, und das war so von den Modellen vorher nicht möglich, die hätten dann abgebrochen, nach dem zweiten oder dritten Schritt. Aber das heißt auch, dass deine Prozessdokumentation deutlich besser sein muss, also die zugrunde liegenden Daten ist es ja. Also die Daten sind erst eine, aber auch die Dokumentation der Prozesse muss wirklich viel besser sein als perfekt sein, auch als vorher. Also ich meine, das heißt, deine Initialen drei Mitarbeiter, die dann zu einer Flotte angewachsen sind, die waren nicht so abhängig von der Prozessdokumentation. Das heißt, sie menschliche Arbeit hat sich in dem Moment, also der humanen Loop, es hat sie auch geschiftet am Ende. Also am Anfang war es noch so der, ich würde sagen, K.I.B. bis sitte, und jetzt bist du der Prozessdokumentierer eigentlich, oder? 100 Prozent, das ist das, was jetzt den Unterschied macht, dass wir unsere Prozesse im Griff haben und explizit machen können. Jeder einzelne Schritt, jede Ausnahme muss definiert sein. Also im Detail muss das eins zu eins beschrieben sein, so dass ein Modell einfach nur diese Schritte durchgehen muss. Und wenn es Ausnahmen gibt, genau weiß, was dann zu tun ist. Weil ansonsten haben wir genau wieder das Thema, dass es ansonsten sehr wahrscheinlich halozinieren wird und irgendeiner Gegend ist bei rauskumpass, was wir nicht haben wollen. Ah, okay, Kass. Und das ist, also quasi, das ist jetzt das, wo du, wo ihr steht. Also das heißt, dass ihr eine sehr gute Prozessdokumentation habt. Ihr habt das aktuelle Modell und eben das Modell, das ich selber zu do listen gibt. Das finde ich übrigens auch in ganz niedlich ehrlich gesagt. Und habt ihr dann noch Autonome einzelner Agenten oder habt ihr quasi nur verschiedene Prozessdokumentationen? Ja, also wir haben jetzt quasi, also wir sagen jetzt, KI ist nicht mehr, wir haben jetzt quasi alle KI-Mitarbeiter gefeuert. Die gibt's nicht mehr. Es ist jetzt ein System. Also wir haben das ganze systemisch aufgebaut, das KI auf alles zugreifen kann, worauf auch wir als Menschen zugreifen können, um Arbeit ausführen zu können, die wir ausführen würden. Das bedeutet, hat Zugriff auf, stellt ihr es einfach vor, wie so Datenbanken. Eine Datenbank, da sind alle unsere Prozesse dokumentiert. In jedem Prozess ist wiederum referenziert, welche Daten wann genutzt werden müssen. Und dann gibt es eine Datenlandkarte oder Kontextlandkarte, nennen wir das, wo wir alle Daten quellen beschrieben haben, wo für Brauchmann die, für welchem Prozess werden, welche Daten benötigt, wie hängen welche Daten zusammen. Darauf kann sich das Modell dann orientieren, um die richtigen Datenquellen zu finden. Dann haben wir Schnittstellen zu den Tools gegeben, die das Modell nutzen. Oder das ist ein Agent, der da oben drüber sitzt, denn wir Operating System Agent, aber das ist quasi einfach nur eine Ausführungseinheit. Und dann haben wir noch so einen Gavanenzhandbuch geschrieben, wo genau nach so einer Ampel logik beschrieben ist, was darf der Agent autonom ausführen, was ist nur mit Review ausführbar, also da vorbereitet werden, aber darf irgendwo gepuscht werden und was darf der Agent nicht ausführen. Und darum liegt noch so eine Lernschleife. Also der Agent guckt die ganze Zeit, während er arbeitet, wo sind Fehler passiert? Wo habe ich eine Idee, wie man den Prozess noch besser machen könnte, weil wir Menschen, also ich würde sagen, wir sind nur noch der Engpass, wir wissen meistens gar nicht mehr am besten, wie man ein Prozess wirklich optimal aufstellen kann. Die KI kann uns das Weißen besser erklären. Und sagen, hey, das ist das so nötig oder wir müssen hier noch mal spezifischer beschreiben, was in dem und dem Fall passieren sollte. Also da guckt der Agent, während er arbeitet, wenn er nicht genau weiß, was er machen soll, schreibt er das in eine Feedback-Datenbank, sodass wir das wieder einbauen können in Systemen. Und er dokumentiert natürlich die Ergebnisse, sodass sämtlicher neue Kontext erzeugt, wird wieder direkt ins System reinfließt. Ja, aber das setzt auch voraus. Ein Unternehmen ist ja typischerweise kein hermetisch abgeschlossener Raum. Und das ist ja. Ja, das ist genau so. Genau. Und das, ich meine, das Grundproblem ist natürlich, dass wenn du als Unternehmen so arbeitest, dann bist du halt hocheffizient, sodass dir es schön und gut, aber du bist ja immer noch davon abhängig, dass auf der anderen Seite die Kunden, die du möglicherweise hast, nicht so funktionieren, oder dass die anderen Unternehmen deine Zugrückbarer, deine Grunde, die deine Voranten, deine anderen Mitarbeiter und so weiter. Das ist ja ein ultraheterogenes Feld, indem man als Unternehmen unterwegs ist, hier nachdem, was man tut. Und das ist eben auch noch etwas, dass am Ende habt ihr euch ja umgebaut, oder ihr habt euch der neuesten KI quasi angepasst. Also ihr habt eben. ihr habt die Prozesse so umgebaut, dass die KI perfekt damit arbeiten kann. Und dann das ist eben meine Frage für die Zukunft. Meinst du, das bleibt so, dass wir uns quasi verändern für die Technologie, oder wird sich irgendwann die Technologie, den menschlichen Denken und Handeln so anpassen, dass wir eben nicht alles umbauen müssen. Weil, am Ende ist es ja so, wie soll das gehen? Weil es so, das heißt, es wird ja nicht jedes Ohrenunternehmen auf der Welt, die sich der KI anpassen. Und gerade wenn wir uns die Zahlen angucken, und wir sprechen in deinem Podcast darüber, da sind über 80 Prozent der Welt haben keinen Zugang zu künstlichen Intelligenz. Das heißt, wenn du als Unternehmen erwartest, dass der Rest der Welt sich die anpasst, dann wirst du lange warten, glaube ich. Also, wie siehst du, das meinst du, das ist jetzt ein Zwischenstadion, oder meinst du, es wird sich weiter in diese Richtung entwickeln? Also. Meine Tese ist, KI wird in immer mehr Dingen immer schneller, immer besser, die gerade nur wir können. Also, wird immer mehr Fähigkeiten sich aneignen, die aktuell, wir aktuell als Menschen noch besser sind. Wir sehen, ja, diese Entwicklung, die kann man jetzt schon immer stärker beobachten. Klar, einige Benchmarks werden da irgendwie optimiert, aber man sieht schon, dass irgendwie KI-Modell-Emoleistungsfähiger werden. Das bedeutet, dass KI ein immer größer an Anteil der digitalen, und ich sage jetzt mal, wo es digitalen Arbeit in Unternehmen in der Lage ist, zu erledigen, rein technisch. Ich würde sogar sagen, wir könnten jetzt heute auf Pause drücken, bei Google and Job, wie Google and OBE AI und die nächsten zehn Jahre hoch und runter, diese Modelle implementieren und werden immer noch lange nicht fertig. Also, wir brauchen eigentlich sowieso kein besseres Modell mehr. Aber die werden noch besser. Also, Arbeit wird verschiebbar von Menschen zu KI. Ich sage, der einzige Engpass sind wir, weil wir müssen unser Unternehmen, was gerade gebaut ist, dass Menschen darin arbeiten können, so unbraun, das KI darin arbeiten kann. Heißt, wir haben jetzt schon darüber gesprochen, Prozesse müssen super explizit sein und nicht in irgendwelchen Köpfen oder BPN-Charts oder auf mirro Boards oder so, sondern es muss aufgeschrieben sein. Daten müssen zugänglich sein in der richtige Qualität. Wir brauchen Schnittstellen in sämtliches Systeme und es müssen klare Regeln geben, muss klare Regeln geben, was KI darf und was nicht. Aber wenn das da ist, ist es möglich, dass KI einen großen Teil der Prozesse ausführen, kann die wir heute am PC ausführen. Und dann gibt es auch andere Sachen, die KI nicht kann, Kundenbeziehungen pflegen, weil sie nicht Produkte nach vorne entwickeln und so weiter, wo wir noch ein bisschen Intuition erfahrungswissen und so was braucht. Da würde ich gar nicht sagen, KI soll und muss alles machen. Und es gibt auch, glaube ich, mehr als genug Arbeit überall. Aber das wird passieren. Und jetzt ist natürlich die Frage, alle Fragen, wenn ich jetzt ein Unternehmen habe, was 50 bis 100 Jahre alt ist, mit gewachsenen Strukturen, ganz viel Legacy und und und in allen möglichen Bereichen. Was mache ich dann? Und ich glaube, man kann jetzt sagen, ja, man kann das immer vor sich her tragen und sagen, ja, aber, wir haben ja diese Legacy. Ja, aber das geht bei uns nicht so einfach. Kann man alles machen? Es wird werden. Ich spreche ja auch in meinem Podcast jetzt mit immer mehr so Challenger Unternehmen, die einfach auf der grünen Wiese anfangen und sagen, wir gehen jetzt in diese Industrie rein mit einem AI-First-Ansatz. AI-First, anwaltskanzlei, Steuerberatung, wie heißt das Hausverwaltung? Also erst mal natürlich alles, was es sät leit ist und disruptieren das mit einem radikal-effizienterin Geschäftsmodell. Ich glaube auch, was auch öfter passieren wird, das auch traditionelle Unternehmen, auch da habe ich so ein paar, beispielsweise auch mit den Zusammenarbeitet, die sagen einfach, wir nehmen die grüne Wiese rechts daneben und fangen da noch mal neu an. Ja, und auch in den Fallen, das ist der einzige Chance, glaube ich, auch. Gründen eine Gesellschaft aus und fangen halt direkt mit AI-First-Gedanken auf alle Strukturen genauso aufzubauen. Und dann haben wir aber auch einige Kunden, wo wir mit einem Bereich anfangen, der die größte Bereitschaft hat, das zu tun, also wo wir in den Daten den Systemen, der Kultur und Bereitschaft auch der Mitarbeiter, Prozess, Robustheit und Qualität, die die größte Potenziale sind. Das sind oftmals so die kommerziellen Bereiche, Marketing, Vertrieb und so und fangen dann da an. Und sagen einfach, wir, was sollen wir tun? Also ich finde die in These interessant, dass du sagst, vielleicht passt sich die KI irgendwann uns an. Ich weiß es nicht, man kann darauf vielleicht spielen. Ich bin immer so ein Pragmatiker und sagt, lass uns doch anfangen, wo wir heute stehen, mit dem, was wir jetzt haben. Und von da legen wir los und wir entwickeln ein Zielbild, wo wir hin wollen und, so und legen halt los. Und da gibt es verschiedene Wege, wie das gerade passiert, aber ich glaube, der Druck wird größer werden durch so Challenger-Unternehmen, die einfach radigieren. in ihrer Transformation sind und diesen Weg einfach gehen oder auf der grünen Wiese anfangen. Und ich glaube, wer wirtschaftlich erfolgreich arbeiten will in den nächsten zehn Jahren oder so. Der wird nicht drum herumkommen. Die möglichen Effizienzen, die durch KI entstehen, auch zu heben. Auf jeden Fall und ich stelle mir dazu, der iterative Ansatz zur Entwicklung ist doppelt so schnell, als wenn du erst warst, dass das Pfeffekt ist. Also jede Interation ist besser, als abzuwarten. Und das gilt auch für alle Lebensbereiche und alle Momente. Dieses, also, erstmal "To get into doing", ist super wichtig. Also gerade in Himmdeck auf KI, weil wir keiner von uns weiß, wie dieses Thema weiterentwickeln werden, wie die aussehen werden. Auch in uns wirft Monaten, schwer zu sagen. Aber das ist, kommen wird, glaube ich, das ist ganz sicher und dass wir irgendwie vorbereitet sein müssen, und so weiter ist auch sicher. Das heißt, ich glaube, das einzige, was wir machen, ist genau das, was du machst. Das heißt, weiterentwickeln und probieren und eben Agenten bauen. In der Hoffnung, dass sich die KI irgendwann im Menschen anpasst. Ja, in der Hoffnung. Aber ich glaube, was jeder jetzt tun kann, ist vielleicht auch KI erst mal beiseite zu lassen und zu sagen, okay, dann kümmern wir uns darauf, dass wir, darum, dass wir unsere Daten zusammenziehen, dass diese Daten aktuell bleiben, weil wir Prozesse drumherum bauen, dass das passiert, dass wir mal sagen, für diese fünf Prozesse, die jeder ein bisschen anders macht, entscheiden wir uns für einen und dokumentieren den Mal sauber. Und wir setzen uns zusammen und schreiben nicht nur eine KI-Richt, eine Richtlinie für KI für unsere Mitarbeiter, was die dürfen und was nicht, sondern wir setzen uns auch hin und bestimmen die Regeln für KI, was sie darf und was nicht. Und dann gucken wir, dass zum Beispiel irgendwelche ERP-Systeme oder CM-Systeme, wo es keine Schnittstelle zu gibt, also wo niemand einfach dran kommt und wir mit Export-Import arbeiten müssen, man die Daten zu kommen, was es ja noch so oft gibt, dass mal in die Cloud zu bringen, damit auch da jemand dran kommt und wir eine moderne API haben, um diese Daten daraus zu bekommen und Daten reinschieben zu können. Also, das sind ja nun mal die Dinge, die geklärt werden müssen. Und natürlich ist das alles nicht einfach, ja. Aber ich glaube, es lohnt sich jetzt immer mehr, weil der Hebel, der entsteht, wenn man diese Strukturen hat und ich kenn auch ein Mittelständler, die haben da, also die haben einfach ihre Hausaufgaben gemacht und viel investiert und die sind jetzt bereit, KI dort draufzusetzen und einen Hebel in ihrer Produktivität zu erzeugen. Also ich glaube, dieser es lohnt sich immer mehr, diesen Weg zu gehen, auch durch den Schmerz durchzugehen, weil das Potenzial da KI draufsetzen zu können, wird jetzt halt nur noch größer mit KI, die sich weiterentwickelt. Ja, absolut. Ich glaube auch, es bleibt auf jeden Fall sehr exciting und unser Kino, also deine vor allen Dingen auch, ist glaube ich bald auf YouTube verfügbar, müssen wir mal schauen. Wenn ich jetzt finde, verlinke ich es in den Chonets, ansonsten wird sicherlich bald kommen. Ich finde super spannend mit dir zu sprechen, weil du so tief in diesem Thema drin bist und so tief in der Praxis, wie ich sonst kein kennende tatsächlich, deswegen wir müssen dieser Ablätsäufiger machen. Ich glaube, du bist wirklich so ein Mr. Agent. Ist so, hat mir, hat mir auf jeden Fall sehr viel Freude gemacht. Liebe Höhren und Höhren hört auch die Folge von Gastern bei AI First und ich wünsche euch froh Ostern und ihr auch bis bald. Vielen Dank froh Ostern. Ciao Ciao. [Musik]