Wie 300 KI-Agenten einen Kernprozess mit 10x Produktivitätsgewinn automatisieren

Herzlich willkommen zum AI First Podcast. Heute habe ich wieder einen total spannenden Gründer aus dem KI-Bereich hier im Gespräch, der sich seit vielen Jahren mit Agentik AI beschäftigt und eines der Spanzenunternehmen gerade in dem Bereich in der Dachregion aufbaut. Hier geht es um BLP. Es ist ein Spin-Off aus der ETH in Zürich 2019 gegründet, auch mit Historie aus dem eigenen Familienunternehmen beschäftigen sich mit der Überführung von Geschäftsprozessen in Agentische Work-Los, vor allem im Vereinensvertrieb und vielen anderen Bereichen mit viel komplexer Integration in EAP-Systeme. Auch der Ort, wo heute ganz viel auch noch manuelle Arbeit abläuft, machen das für große Unternehmen wie BMW, EDK, Rosh und sehen da teilweise fünf bis zehn fache Produktivitätsgewinne. Wie das funktioniert, da wird uns heute Tim Beck, der Gründer, hoffentlich aufklären. Tim, ich freue mich total, dass du hier bist. Wir haben uns einiges vorgenommen. Wir wollen mal darüber sprechen, wo wir gerade mit Agentischer KI stehen, wie man so was im Unternehmen skaliert, wie funktioniert der Change, was brauche ich für eine Gauernins, um da Geschwindigkeit reinzubringen. Alles Themen, die euch in den letzten Jahren viel begegnet sind, freue mich aufs Gespräch. Ich freue mich, dass ich da sein darf, für einen Dank Felix. Tim, ihr habt ja angefangen, Agenten zu bauen. Da hat es noch keiner darüber gesprochen, wie heute sehr, sehr viele das tun. Wie kam es dazu? Ja, das ist eine sehr gute Frage. Als wir angefangen haben, 2018, wenn man offiziell 2019 ausgegründet, war das ja ein Twitter. Zum einen kommen wir aus der Forschung, aus der ETA-Zürich. Im Kaibereich raus. Zum anderen haben wir uns aber ein Anwendungsfeld gesucht, wo wir wirklich etsch haben, wo wir ein bisschen was davon verstehen. Ich habe mit meinem Bruder gegründet zum Kontext. Unsere Eltern haben vor 35 Jahren ein ERP-System in Süddeutschland gegründet und aufgebaut. Das Unternehmen gibt es auch noch. Es sind zwischen den Zweiter Generationen, unsere Schwester ist da mit drin inzwischen. Wir haben damals gesagt, warum nicht mit Kaie-ERP-Prozess erautomatisieren und haben dann angefangen als Modellanbieter für Dokumentenextraktion, um relativ schnell rauszufinden, das gewinnt kein Blumtopf, das hilft niemand. Dann immer weiter in die End-to-Endlösung zu gehen. Wir waren einfach sehr. Ich würde sagen, ob'sest auf das Produktproblem, auf das Kundenproblem. Wie kriegen wir es hin, dass die Kaie wirklich von Anfang bis Ende automatisiert? Und damals gab's das Wort Kaie-Agent nicht. Wir haben das damals Microsoft Services genannt. Also kleine Autonomie-Soft-Berschlüsse, die mit Kaie im Kern ganz viele Prozesse ausführen können. Und irgendwann kam dann Silicon Valley auf ein cleverer Namen dafür und hat das Kaie-Agenten genannt und dann haben wir das reprandet, aber im Kern ist das genau das Gleiche. Ich habe Kontext, ich habe eine Anbindung an die Umwelt, ich habe eine Aufgabe und die möchte ich autonom ausführen. Und das hat ein bisschen geholfen, das wird da schon seit acht Jahren dran rumbasteln. Seitdem sind ja auch ein paar Billionen Dollar Investitionen den Bach runtergelaufen, um die Modelle zu entwickeln, die heute unter der Haube von den meisten Agenten laufen. Und da gab's ja damals in der Form noch nicht, was war die Kaie-Komponente, die ihr in eure Software-Bausteine gepackt habt? Gut, auch damals gab's ja schon Machine Learning. Ich meine, dass das Transformers Paper kam 2017 von Google raus, einer der mit Autoren ist hier bei Google in Zürich. Und was wir geschrieben haben, waren auch Transformer, einfach eben für Datenextraktionen und Dokumenten. Und als dann JetGPT auf den Markt kam, haben wir eine Wette gemacht, dass Modellanbietern nicht das richtig sein wird, dass wir da nicht konkurieren können werden. Und haben uns entschieden, wir erweitern uns dahingehend, dass wir keine eigenen Modelle anbieten, sondern alles auf, ich nenne das jetzt mal, Komoditi-Models, also am Markt verfügbare Modelle, ob es jetzt Open Source ist oder Cloud Source. Und dass wir ja auch mit jede Modell arbeiten können und das Ganze drum rummachen, also die Plattform sind mit der End-to-End-Prozesse abgewickelt werden können autonom, egal, welches Modell drunter hängt. Aber die Technologie hat sich nicht verändert. Und wenn du dir überlegst, warum die Welt so aufgewacht ist, warum plötzlich jeder KI-Kohl findet, dann ist es immer die Applikation dessen, nicht das Modell. Und ich habe mir in der Vorbereitung noch mal diesen Gardener Heipsheikel angeschaut, der letzte ist im September 2025 rausgekommen, also dem ist natürlich auch schon wieder viel passiert, der nächste kommt jetzt bald. Und damals waren AI-Agence auf dem absoluten Peak von den inflated Expectations. Und ich würde das gerne mal von dir eingeordnet bekommen. Wenn du jetzt heute auf Agents blickst, was von dem, was da draußen so rumschwört, an Tesen und Kases und so weiter ist, es quatsch, ist einfach ein Hype, was es echt und in welche Richtung bewegen wir uns jetzt gerade. Wir müssen ein paar Dinge unterscheiden oder differenzieren hier. Zum einen müssen wir noch mal sagen, okay, was ist denn eigentlich der Unterschied zwischen diesem ganzen Modell vs. Application Layer und der Erwartungshaltung da? Auf der anderen Seite hast du recht, wir haben einen Riesenmarketing, Hype Train, also es gibt ja keine Software mehr seit der SARS-Pokka-Lyps, die nicht sagt, sie ist auch koinativ. Ich glaube, das müssen wir sauber einordnen und dann müssen wir einfach einordnen. Was ist denn das Verständnis von Einzelpersonen, aber vor allem auch von Unternehmen, was kann diese neue Technologie? Und das hat gar nicht so viel mit KI zu tun, sondern mit jeder Technologie, die kommt auf den Markt. Und dann muss man sich damit beschäftigen und dann muss man rausfinden, wo setzt man sie am besten ein? Und dann geht es irgendwann in eine vernünftige technische Reife und wenn du vom Gardener Hype-Zeichel sprichst, dann ist das ja auch so. Am Anfang gibt es extreme Erwartungen an das Ganze, die kommen irgendwann auf dem Peak, dann kommt man wieder runter und ist fast enttäuscht. Bevor dann, weil die Technologie sich ein bisschen weiterentwickelt, aber auch das Verständnis von dem Ganzen sich weiterentwickelt, man in die Richtung von vernünftigem Einsatz kommt. Und ich glaube bei KI geht alles einfach nur noch viel schneller. Normalerweise dauert das alles Jahre, wenn ich Jahrzehnte zum Teil. Und bei KI ist es gefühlt, wir wird durchlaufen das Ganze halt in Monaten. Und es kommt immer noch mehr Bass oben drauf, es kommt immer noch mehr Marketing oben drauf und es ist ganz schwierig von außen auch zu unterscheiden. Was sind gute KI-Lösungen versus was sind nur Lösungen, die jetzt KI als, ich sag mal, postet oben drauf oder als schön anstrich bekommen haben. Und gleichzeitig haben wir noch das Thema, dass es viel einfache ist, plötzlich Demos zu bauen. Gleichzeitig hat sich ja noch die Welt weiterentwickelt dahingehend, dass ich viel schneller roden kann auch. Und eine Demo zu entwickeln ist so einfach geworden, dass ich halt noch viel einfacher im Vertrieb über den hinweg täuschen kann, die erst dann in der Produktion aufkommen. Das sind so die Themengebiet. Und um eins nach dem anderen abzuarbeiten, lass uns noch mal kurz rein gehen, Modell versus Application. Ich glaube, die Modelle, wenn wir jetzt vom Large Language Model bereich sprechen, also von dem wo die meisten Menschen jetzt auch mit KI zu tun haben, nicht von wo steht eigentlich Robotics oder wo steht die Materialforschung, DNAforschung oder irgendwelche Krebserkennung, sondern einfach der Anwendungsbereich. Was mache ich mit Large Language Models wie einem ChatGPT in meinem Unternehmen oder Privat? Ich glaube da ist die Reife der Modelle herausragend heute schon. Und wenn du dir anguckst, wie die Modelle dann eins nach dem anderen rauskommen, ich bin mir sicher, die sind besser geworden von einem Claude Opus auf das neueste Opus oder auf ein anderes Modell. Aber sehen wir diesen Sprung wirklich so stark? Ich meine nein, das war schon von einem halben Jahr gut, das war schon von einem Jahr gut. Was sich stark verändert hat und was auch die Wahrnehmung von vielen Menschen ist, ist das Applikationslayer. Was kann ich jetzt damit machen? Ich glaube der größte Anlock war, dass man plötzlich nicht mehr nur mit den KI Modellen chatten konnte als Privatperson, sondern auf Dokumente zugreifen, Dinge verändern im Internet suchen, Zugriff auf meine Dateien geben, all diese Dinge. Das ist ja ein kleiner Bereich vom Applikationslayer. Jetzt, was wir sehen, ist mir. mehr und mehr das Softwarefirmen, die schon Software geschrieben haben, KI einbauen in ihre Produkte. Und am Anfang waren das nur irgendwelche Suchen und Fintenthemen. Und jetzt ist es aber mehr und mehr das halt wirklich, und die Welt titelt das als Agenten wirklich autonome Prozessschritte gemacht werden können. Und ich glaube, das werden wir mehr und mehr sehen von der Produktseite. Und gleichzeitig, quasi Agenten jetzt nicht nur. Oder KI nicht mehr nur Antworten gibt oder das Large-English-Model auch in einer Applikation nicht mehr nur eine Antwort gibt, bei sie und auf Informationen gefunden wurden, sondern jetzt Händel bekommen hat, um Aktionen ausführen zu können. Correct. Ich kann gleich gerne ein paar Produktbeispiele geben, wenn das Hilfreich ist. Also in unserem Beispiel geht's darum, eher P-Prozesse end-to-end zu verarbeiten. Das kann jetzt im Einkauf sein, eine Bestellung anzulegen oder eine Auftragsbeschädigung, die vom Lifferanten reinkommt, dann zu verstehen und gegen die Einkaufsbedingungen abzugleichen oder immer kaum Pable, die komplette Rechnungsverarbeitung zu machen. Einfach, dass ich da möglichst wenige Prozessschritte überhaupt noch von Mensch anfassen lassen muss. Und um den Bogen zurückzuschlagen, das war dieses Modell versus Application. Das zweite ist dieses Verständnis von Menschen. Und wir haben es ganz viel erlebt in den letzten zwei Jahren, das große Unternehmen hingegangen sind und erst mal gesagt haben, wir bauen selbst. Wir nehmen jetzt KI und wir gehen rein und bauen. Und dann hat man Hunderte Use-Cases identifiziert und gefühlt auch genauso viele Piloten gestartet und hat auch überall erste Erfolge verbrucht, weil es ist ja einfach geworden, mit KI schnell kleine Erfolge zu gewinnen. Und dann kam jetzt mehr und mehr dieses Verständnis. Okay, ein erste Erfolge ist cool, ist auch einfach. Danach aber wirklich ein reifes Produkt daraus zu entwickeln und das dann auch zu betreiben. Das ist gar nicht so einfach. Weil da geht es ins Detail, da reichen die 80 Prozent nicht. Da brauche ich wirklich je nach Anwendungsfall bei uns ins auditierte Prozess. Da reichen wir nicht mal 99 Prozent, ich brauche einfach 100. Und das ist dann mit viel Arbeit verbunden und aufwendig. Und das betreiben muss auch so gemacht sein, dass es kostend günstig ist. Es hilft mir nix, wenn ich plötzlich was mit KI mache, wo der Mensch weniger gekostet hat als dann die Maschine. Da habe ich wenig gewonnen, außer ich möchte nur den demografischen Mandel entgegnen. Und ich glaube, wir sind an einer Stelle, wo das dieses Verständnis langsam einkiert. Also wir merken extrem stark, dass Kunden auf uns zukommen oder Interessenten auf uns zukommen, die wissen ganz genau, was sie brauchen. Die haben es nämlich selber schon gebaut und die wissen, wo sie jetzt scheitern oder wo sie denken, dass sie ihre Fähigkeiten lieber auf gebackgebiete Verlagern, wo sie wirklich etsch haben. Und nicht mehr von hunderten Use-Cases, die potenziell selber machbar und umsetzbar sind, auch hundert machen, sondern die zehn, die sinnvoll sind für dieses Unternehmen und die anderen 90 einkaufen. Und ich glaube, das konvertiert. Und wenn ich meine gewagte Tese machen, oder macht die Tese noch? Wenn ich eine gewagte Tese anstellen darf, dann würde ich behaupten, 2027, also nächstes Jahr, wird kein Board mehr akzeptieren, KI-Piloten zu machen, Token-Spend zu generieren, ohne echten Return- und Investment. Ich glaube, das Verständnis ist jetzt gut genug, dass man weiß, da kann auch was rauskommen, wenn man es richtig macht. Und wir wissen jetzt, die Exploratory-Face geht zu Ende. Jetzt möchten wir Umsetzung, jetzt möchten wir Bottom-Line-Impact oder Top-Line-Impact sehen und zwar nachgewiesen und messbar. Und ich glaube, da stehen wir und nächstes Jahr wird das noch viel stärker werden. Ja, also ich würde auch sagen, jetzt gerade in den letzten Monaten habe ich da zumindest ein sehr starkes Schiff wahrgenommen, einfach auch, weil die Kosten stärker angestiegen sind. Und wenn der ROI schon nicht da war mit den günstigeren Modellen und Anwendungen. Und jetzt die Kosten hochgehen oder der ROI noch nicht zu sehen ist, dann steigt er auf jeden Fall der Druck genau den Nachweisen zu können. Sag noch mal bitte kurz, was sind die Punkte, an denen die Kunden erkennen, dass ihre Fähigkeiten nicht mehr ausreichen, um so ein Use-Case-Intern zu skaliern oder intern umzusetzen zu bauen? Immer wieder nicht falsch ausdrücken. Ich glaube, jeder kann jedes Produkt mit KI inzwischen bauen und auch erfolgreich bekommen. Ich glaube, die Frage ist nur Time to Value und zu welchem Kostenpunkt kann ich das operieren und mit welchem Risiko? Also ich gehe jetzt kurz auf uns, welches kann das sehr gut beschreiben. Nimm ein Accounts Payable Automation-Produkt aus unserer Plattform. Das heißt, die Lifferanten Eingangsrechnung end-to-end zu automatisieren, bis hin zur Zahlung. Also von den Rechnungen kommt rein, bis ich habe sie verbucht und sie kann bezahlt werden. Diese Variantenanzahl von Lifferanten Eingangsrechnungen geht in die Hunderte. Das heißt, ich habe nicht einen Use-Case, sondern ich habe heruntergebrochen, etwa 160 Use-Cases, die ich abhandeln muss mit sämtlichen Ausnahmen. Eine Ausnahme kann so einfach sein, wie die Rechnungsnummer auf dem Dokument wird nicht gefunden, also ein reines Extractionsproblem, bis hin zu Ausnahmen, wie der Kuntieragent schaut, für dich, du hast in der Vergangenheit immer AWS-Rechnungen kontiert, Felix schaut sich das an und stellt fest, Felix hat AWS-Kontierungen auf zwei Kontierungen und nicht kann nicht feststellen, warum und muss da ein Mensch involvieren. Beides ist nicht schwierig. Für Beides könntest du jetzt hingehen und weibkoden, wie ein KIN-Trenn-System damit umgehen soll. Nur für diese 160 Fälle musst du erst das Wissen aufbauen, dann musst du das System aufbauen und das alles zu verwalten, dann darfst du nicht ausfallen oder in Urlaub gehen. Und dann musst du sagen, so hinbekommen, dass es zu einem Kostenpunkt möglich ist, der deinem Unternehmen was bringt. Und all das stellen die Unternehmen unsere Kunden fest, ist gar nicht so trivial und deshalb entscheiden sie sich von Unternehmen wie uns zu kaufen. Aber es hat weniger damit zu tun, dass sie nicht die Fähigkeit haben. Ich glaube, heute hat fast jeder die Fähigkeit, das zu bauen. Es wird immer noch nur noch einfacher. Und jetzt kommen jeden Tag Plattformen raus, die machen es einem noch einfacher selber zu bauen. Nur wie lang dauert es, wie viel Risiko habe ich dabei und wie kostengünstig kriege ich es wirklich hin. Das sind die drei Fragen, wo sich die meisten entscheiden, lohnt sich nicht für ein Accounts-Pable-Prozess. Das mache ich mal lieber bei etwas, wo ich ein bisschen mehr Wissen habe und was mir in meinem Unternehmen und meinen eigenen Kunden was bringt. Das ist der Unterschied. Was ich auch oft erlebe, ist, dass wenn Einzelpersonen mit Agents arbeiten, also bestes Beispiel ist im Software-Engineering, aber auch wenn sich sonst Einzelpersonen für ihre individuelle Produktivität, Agenten aufsetzen, die dann bei verschiedensten Aufgaben unterstützen oder die nach einem bestimmten zeitlichen Event oder nach anderen Auslösern, schon Sachen vorbereiten oder erledigen, dann erfahren die total schnell in Produktivitätsgewinn. Ich habe letztens auch meine Unser Community gefragt, die haben gesagt, 100% mehr Produktivität, die sie selbst empfinden, seit sie mit Agents arbeiten. Und dann in allen möglichen Befragungen, Studien, Schaut, Wasser von den Unternehmen ankommt, ist dieser Wert oft erstaunlich gering. Also entweder nicht nachweisbar oder wirklich sehr gering, auch im Verhältnis zu dem Investment. Und wenn man da sagen würde, wir nehmen dir deinen KI Agenten wieder weg, würde jeder sagen, Gott es will nicht, ich weiß gar nicht mehr, wie ich arbeiten soll, zumindest die, die mal gelernt haben, aber richtig zu arbeiten. Aber irgendwie kann das nicht absolviert werden in die Prozesse und in die gesamte Organisation. Woher liegt das? Es ist viel fältig. Es gibt zwei Punkte, die mir jetzt sofort ins Inge kommen sind und vielleicht kommt mir da noch was weiteres, aber die zwei sind, wir müssen mal kurz zurückgehen und uns überlegen, wo kommen eigentlich Prozesse her. Weil wenn wir was versuchen zu automatisieren, in Unternehmen mit KI Technologie, dann sind es meistens Prozesse. Es ist sehr selten, heute schon ein Top-Line-Impact, das ist meistens Bottom-Line-Impact. Also wie kann ich irgendwo Prozesse automatisieren oder Teilautomatisieren um kosten zu reduzieren? Das ist der Base-Case. Wenn du du überlegst, wo Prozesse herkommen, dann. Es sind das zwei Aspekte. Es ist Kontrolle, unes ist Guidance. Ich mache den ganz einfaches Beispiel. Als Startup hast du gar keine Prozesse. Und du fühlst dich extrem schnell. Und dann stellst du Mitarbeiter ein und immer mehr Mitarbeiter. Und irgendwann hast du einen Vertriebszien und denkst dir, die geben ja ganz schön viel Geld aus für Reisen und Abendessen und sonstige Dinge. Und jeder neue Mitarbeiter fragt mich, was darf er denn? Und dieses Unternehmerische Denken noch nie erlebt, glaube ich dir. Und dieses Unternehmerische Denken, was am Anfang funktioniert hat, fängt an Lestig zu sein. Also fürst du ein Prozess ein, ein Spesenprozess und sagst, zum einen gibt mir dir die Kontrolle, dass ich das überwachen kann. Zum anderen gibt dir eine gewisse Guidance. Und dieses Beispiel kannst du auf alle Unternehmensprozesse ablezieren. Prozesse geben Struktur und Kontrolle. Und wenn wir uns jetzt überlegen, wie Prozesse historisch aufgebaut sind. Und das ist kein Investment-Tipp, aber ich persönlich glaube auch deshalb an Unternehmen wie SAP auch langfristig, weil die verwalten diese Prozesse, die speichern sie, die geben diese Abläufe vor. Und wenn du jetzt habe überlegt, wie diese Prozesse historisch aufgebaut wurden, dann sind die halt nicht für KI ausgelegt. Und man braucht jetzt schon ein bisschen Mut und Voraussicht. Ich kann das einmal erklären. Ich glaube, das ist wichtig. Warum sind die Prozesse nicht für KI ausgelegt? Ja, nehmen wir wieder uns der typisches Rechnungsbeispiel, oder? Jetzt idealerweise oder nehmen wir den Spesenprozess von gerade. Idealeweise guckt doch jetzt der Manager nicht mehr über die Spesen drüber. Und guckt auch kein Buchhalter mehr über die Spesen drüber und quantiert die. Sondern KI-Agenten erledigen genau diese Jobs. Sind genau so erweitern, die Kontrolle haben. Ja, hast du ja. Also ein KI-Agent, der mit einer Auditirbarkeit den gleichen Job hinbekommt, gibt dir ja trotzdem die Kontrolle. Das ist ja nicht so, dass nur weil du draufguckst, das Unternehmen die Kontrolle hat. Wenn jemand anderes, der deine Urlaubsvertretung ist, den gleichen Job machen kann, hat das Unternehmen ja immer noch die Kontrolle. Und wenn das jetzt ersetzt werden kann von einem KI-System, dann geht die Kontrolle ja nicht weg, so lang das KI-System 100 Prozent zuverlässig ist. Und da war wahrscheinlich die Herausforderung. Ich frage nur so, weil das ja auf der Einwand ist, es könnte ja ein Fehler passieren, der natürlich bei Menschen auch passieren kann. Und deswegen muss der nochmal ein Mensch involviert sein in diesem Prozess. Du eine Absurdität, ich kann dir da wirklich Wurstories erzählen. Wir haben einen temporären Schlusscheck, so heißt der. Weil du kriegst kein Buchhalt überzeugt, einfach jetzt ein KI-System voll autonom drauf loslaufen zu lassen. Also haben wir immer, dass die Buchhaltung am Anfang das überwachen kann und das Gefühl bekommt, ich kann der KI vertrauen, haben wir einen sogenannten temporären Schlusscheck im Workflow, wo dann ein Buchhalter nochmal guckt, ob doch wirklich alles richtig ist. Der heißt Felix, temporäerer Schlusscheck. Was glaubst du, wo das Wort temporär herkommt? Das soll schon den Menschen vermitteln, hey, den schalten wir dir irgendwann ab, der ist temporär. Es ist immer ausgemacht, in jedem Projekt nach drei Monaten schauen wir auf die Statistik und dann schalten wir den Abwender keine Änderungen mehr drin. Jetzt haben wir zwei Themen in einem NotKidding-You. Das eine ist, wir haben gar keine Änderungen nach drei Monaten und die finden es trotzdem schwierig, den Ab zu schalten. Das geht fast immer in eine Management-Skallation, wo dann das Management, das entscheidet. Einfach, weil dieses Kontrollgefühl abzugeben, sehr schwierig ist. Das andere ist, Menschen möchten was machen und das stimmt jetzt nicht für alle User. Aber wir haben User, wo wir einen Statistiken sehen, dass sie in einem temporären Schlusscheck Dinge löschen und wieder hinzufügen. Und es ist nicht erklärbar. Es ist nicht erklärbar. Das ist das gleiche Ergebnis, du siehst in den Versionsverläufen. 27,47, 11 gelöscht, 47,11, zugefügt oder neben Kosten oder lauter solche Dinge. Und da kann man dann reingehen, weil man jetzt die Transparenz hat und man kann damit konfrontieren. Aber das ist ein Riesen-Aspekt. Und nochmal den Bogen zurückzuschlagen auf diese Prozesse. Die Prozesse VKI sind sehr viele drauf ausgelegt, eine doppelte, dreifache, eine sieben Stufegefreigabe zu haben und irgendwo halt eine menschliche Entscheidung. Und die sind noch nicht sauber genug, auch dokumentiert, dass der Agent genug Kontext hätte, um jede Ausnahme eigenständig autonom zu entscheiden. Und das muss gemacht werden. Da muss ich mit ein bisschen Mut ran gehen und wirklich in die Zukunft blicken. Und jeder, der draußen rumläuft und sagt, die KI-Transformation ist bald vorbei und falls du noch nicht aufgesprungen bist, bis zu zu spät. Ich glaube, das ist ein bisschen sehr viel Marketing. Ich bin bei denen, dass die KI-Transformation einen vollem Gang ist und dass da Early-Move aus auch gewisse Vorteile haben. Aber ich persönlich bin überzeugt, dass begleitet uns mal noch mindestens fünf bis zehn Jahre. Und wir müssen jeden Prozess angehen, wir müssen jeden Prozess neu denken, wir müssen implizites wissen, explizit machen. Meistens in den Prozessen, das kann man gar nicht abriori machen. Du kannst sie nicht hinsetzen und jede Ausnahme heute überlegen und dann irgendwo schon festlegen, das muss innerhalb des Prozesses passieren. Und das, das alles ist der erste wesentliche Punkt. Der zweite, warum die Effizienzen im Unternehmen nicht ankommen, ist der Mensch. Ich habe gerade eine Studie gelesen, dass eine in drei aktiv KI-Projekte top bediert und das ist Angst. Das ist Sorge vor, was passiert mit mir, etc. Und wir erleben, dass gut kommunizierte KI-Projekte viel besser funktionier als schlecht kommunizierte. Wir erleben natürlich, dass da Jobs abgebaut werden, aber die meisten in unseren Gefilden haben mit demografischen Wandel zu tun. Haben damit zu tun, dass die Unternehmen sowieso anderweitig arbeiten, brauchen, haben mit interner Verlagerung zu tun. Du kriegst in Deutschland ja eigentlich gar keine Mitarbeiter abgebaut. Das heißt, da gibt es ganz viele positive Effekte, die eigentlich passieren. Aber wenn ich anfänglich schlecht kommuniziere, dann gibt es auch eine gewisse Hürde und das Change Management ist riesig, in Vergleich zu die Technologie ist gelöst. Und wir haben eine Academy eingeführt, die zum Ziel hat, Change zu ermöglichen und aus über 1300 Projekten zu berichten, wie man Change richtig macht. Das hat nichts mit dem. - Sogar mal wenig für der Technologie zu tun. Kannst du mal ein Beispiel geben, was war ein Projekt, wo der Change gut funktioniert hat und was haben die gemacht, um das zu ermöglichen? Ja. Sehr große Lebensmittelkonzernen in der Schweiz. Da ist das Management reingegangen und hat selber gesagt, ich mache Kiuse. Die haben davor noch jede Rechnung, die reinkamen oder nicht jede, aber viele Rechnungen, die reinkamen, haben die manuell zugewiesen, wo sie hingehen sollen. Und haben gesagt, das kann man nicht automatisieren. Das geht nicht mit Ki. Und da war genau das Thema, das war so der erste Punkt, in dem Projekt, wo es wirklich knallt hat, mit Change. Und dann hat der verantwortliche, wirklich in der Geschäftsführung gesagt, okay, dann komme ich selbst mit rein. Hat kommuniziert, die Zukunft ist, dass wir alles mit Ki machen wollen und hat selber die ownership übernommen, eine Lösung zu finden. Und hat sich hingesetzt und hat, ich weiß nicht, wie viele 100 cases sich angeguckt mit dem Team und hat gesagt, schaut, das ist alles implizit, das wissen. Natürlich haben wir es nögen, wo dokumentiert aufgeschrieben und praktikern kann, ist aber ihr könntest und ihr könntet mir das jetzt alles erklären. Und dann haben wir dieses implizite Wissen Schritt verschritt, halt heruntergebrochen auf Kontext, so dass dann das auch ging. Und das hat einen Riesenanlock auch im Projekt-Team gemacht, weil die haben dann verstanden, okay, es geht. Wir müssen nur das Wissen aus den Köpfen aufs Papier bekommen, blöd gesagt. Und damit anlocken wir es und damit haben sie da auch eine Aufgabe gefunden für sich. Weil jetzt, jetzt waren sie ja diejenigen, die die KI enabeln und eigentlich die Wissensträger und nicht mehr nur die Sacherarbeitet, die halt abarbeiten. Und das ist ein Beispiel für, wie Management involviert sein muss, wie es top-down gelebt werden muss, wie der klare Nordstern kommuniziert werden muss. Und wie dann aber auch den Menschen das Gefühl vermittelt wird, die da beteiligt sind, dass sie überhaupt nicht obsolet sind. dass nur die wiederkehrenden Repetitiven aufgaben, dass die ihnen abgenommen wird und das ist eigentlich ähnlich das Sinn und Zweck von einem gut ausgebildeten Accountant, beispielsweise das zu machen. Ja, verstehe ich. Eine Sache, die mir da immer wieder auffällt, ist, dass unklar ist, was wirklich für die Leute drin ist, die diesen Prozess unterstützen müssen, die ihr im Klitziedeswissen explizit machen sollen, die KI-Agenten kontrollieren, antrenieren, Feedbacken sollen, weil am Ende ist so recht klar, dass wenn ich in einem sehr starken Repetitiven, also in einer Prozessarbeit unterwegs bin, die digital abläuft, dass dann, wenn zehn Leute vorher diesen Prozess gemacht haben, das dann definitiv nicht zehn Leute benötigt werden, die diesen Prozess noch machen müssen. Und das gleichzeitig dann gesagt wird, also nur was jetzt auch gesagt, der Accountant ist auch nicht dafür da, diese Aufgabe zu machen, aber ich glaube meistens ist völlig unklar, was die Personen sonst machen soll, und dass es da gar kein motivierendes inspirierendes Zielbild gibt. Und dann ist es natürlich super schwer, also was ist mein Andereits, dann als Mensch, der heute sein gehalten mit dieser Aufgabe verdient, mich selbst überflüssig zu machen. Und wir reden ja hier nicht von zwei unterschiedlichen Leuten. Ja, da ist es doch. Pass auf. Die Leute von denen du gerade sprichst, die werden einen anderen Job machen müssen. Das ist unbestritten, das sind aber meistens Leute in Scherz-Service-Sentern, die auch wirklich nur repetitiv für Arbeit machen. Das ist der Fall bei großen Unternehmen, die wirklich die Möglichkeit haben, in Scherz-Service-Sentage-Wisitätigkeiten auszulagern. In diesen Scherz-Service-Sentern gibt es immer unterschiedliche Mitarbeiter, die dies wirklich einfach nur machen und die dies verantworten, trainieren, das Knowledge haben. Was auch viel der Fall ist bei solchen Scherz-Service-Sentern-Organisationen ist, dass für wirkliche Ausnahmen die Arbeit wieder zurück in die Organisation geschläust wird, zu Mitarbeiter, die weiß Gott und anderen Job haben, als dann eigentlich zu sagen, ja, ich habe da was bestellt und ja, das steht nicht auf der Rechnung drauf, aber ja, das ist so, wie es ist und das kann so bezahlt werden. Und die haben wirklich überhaupt keinen Stress damit. Also, wenn die nicht im Fachbereich im Scherz-Service-Sentern sind, dass das nicht mehr zu ihnen auf den Tisch kommt und die im Scherz-Service-Sentern, die die Vorarbeit machen, die das Wissen haben, die neue Leute onborden, die neue Leute suchen, da ist ja auch eine ständige Fluktuation drin, wenn du der Scherz-Service-Sentern anguckst, die verlieren ihren Job auch nicht, weil die haben wirklich was davon halt statt Mitarbeiter und zu borden, einfach Agenten und zu borden, zu verwalten ihren Job auf dieses Application-Ownership zu verschieben. Und wenn du jetzt ein Level runtergehst in der Industrie, in Mittelstand und du denkst, dann irgendein Unternehmen im Schwarzwald, die haben es eh schon nicht leicht Leute zu finden, deren typischer Altersdurchschnitt für solche Jobs ist irgendwo knapp an der Rente, wenn du dir jetzt Gen-Set überlegst als Job-Einsteiger für genau solche Berufe, die haben wir überhaupt keine Lust, Repetitive-Arbeit zu machen. Und am Schluss landet es dann auf dem Tisch von gut ausgebildeten Mitarbeitern einfach, weil sie noch da sind. Ist nicht so, dass sie nicht was anderes machen könnten, aber irgendjemand muss ja die Arbeit machen. Und das ist die Realität im Alltag und die Unternehmen, die ich erlebt habe und das gibt leider ein paar, die am Betriebsrat scheitern, sowas einzuführen. Da hatte Betriebsrat immer noch nicht die Realität verstanden, dass ein 25-Jähriger, auch 20-26 noch bessere Jobausichten hat, als Repetitive-Verwaltungsarbeit zu machen. Und wir haben nie Prozesse gebaut, denken uns z.B. von vorhin mit den Spesen. Wir haben die nie gebaut, um zusätzlich Leute in der Verwaltung zu beschäftigen. Ist einfach nicht der Fall. Und wenn wir das alles wegbekommen und Mitarbeiter und Menschen nur noch an denen Arbeiten, die Wertschöpfend sind, warum es die Unternehmen wirklich gibt. Das ist was superpositives. Und ich glaube, ja, es gibt einen Teil an Menschen, der ist betroffen. Aber das gab es in jeder technologischen Revolution und man hat immer eine Lösung gefunden. In Frankreich, in Zügen, wo keine Kohle mehr geschippt wurde, haben noch acht Jahre, zwei Leute den Job Kohle-Schauflok gehabt, acht Jahre lang und sind in dem Zug mitgefahren, einfach um Schritt für Schritt den Übergang hinzubekommen. Und solche Lösungen werden wir auch im Zeitalter von KI finden und es ist trotzdem positiv technologischen Fortschritt zu haben. Also, ich glaube da auch total dran, mir fehlt nur ganz oft die Klarheit in der Konjunikation auf Unternehmenseite, die dann zu oft von Wertschöpfendere Arbeit gesprochen wird, ohne dass irgendjemand in dem Raum, wo das verkündet wird, benennen könnte, was heißt denn jetzt genau Wertschöpfendere Arbeit für dich und dich. Und wir machen das zum Beispiel, wir arbeiten das aus mit den Führungskräften aus den einzelnen Abteilungen und arbeiten aus, welche Zeit freigesetzt wird und was eigentlich Aktivitäten oder Arbeit ist die größeren Wertschöpfungshäbel hat für das Ergebnis, was die Abteilung erreichen muss. Und das ist nicht immer so ganz trivial, aber wenn man das mal einmal rausgearbeit hat, idealerweise mit dem Team gemeinsam ist es ein ganz anderes Spiel, ganz anderes Spiel, weil auf einmal gibt es ein attraktives Zielbild, was den Pool erzeugt. Und heute sagen ja, mega, okay, da habe ich ja Bock drauf, das zu machen, weil dafür bin ich den Job mal angetreten und es klappt auch nicht für alle Funktionen, aber stimmt dazu, dass das für viele klappt. Und dann ist der Anreiz wiederum bestimmte Aktivitäten jetzt automatisierbar zu machen, viel viel viel höher. Ja, und stell dir mal vor, ein Vertriebler kann mit dem Kunden sprechen, statt Aufträge zu erfassen und einen Einkäufer kann verhandelt verhandlungen machen, statt Auftragsbestätigung zu kontrollieren. Und ein Account muss nicht mehr intern den Leuten auf ein Zeiger gehen, warum bei dem Spesenbeleg X und Y nicht richtig gemacht wurde. Den geht es allen besser, die haben alle mehr Spaß an der Arbeit und es ist möglich, das aufzuzeigen, das herausragend, dass das ihr das dann so macht, weil Kommunikation ist das A und O. Ich kann es nur wiederholen, Technologie ist gelöst, es geht um Change. Change, also du hast jetzt das begegute Beispiel gebracht mit dem Geschäftsführer, der selbst als Keyuser in den Lied gegangen ist und gezeigt hat, dass, oder herausgefunden hat, wo liegen die Probleme, wie lassen die sich lösen und selbst voll in die Verantwortung. Und das gegangen ist, das hat dann so einen positiven Sog erzeugt und mehr Leute mitgenommen. Was in noch Sachen Change auf der Change seitet, die besonders gut funktionieren? Also ein Thema, was viele unterschätzen ist, KI muss betrieben werden und das erfordert eine neue Governance. Was ich damit meine, historisch ist die Governance von Software in the IT. Und wenn ich als User im Fachbereich eine Änderung mir wünsche, dann mache ich ein Ticket an die IT und dann löst dieses Ticket jemand in die IT irgendwann, hoffentlich richtig unter User-Tests und vielleicht gibt es eine Interationsschleife. Im Zeitalter von KI ist die Anforderung an Veränderungen einfach viel Frequenter. Ich muss die ganze Zeit eigentlich impizites wissen, explizit als Agent-Kontext zur Verfügung stellen. Der Custom Agent muss den generischen Agent ersetzen, sich automatisch tepläuen. Das ist nächstes Mal schon die Veränderung mit sich bringt, die ich möchte, um mehr Automation zu haben. Jetzt stellt ihr das mal vor im historischen Setup von IT-Gavernance. Die gehen unter in der Flut an Tickets und die haben gar nicht die Möglichkeit, das sinnvoll zu testen, weil sie das wissen nicht haben. Das heißt, wir brauchen eine vernünftige Gisplittetik-Aunerschipp, was es angeht, KI-Genten einzustellen, zu testen, freizugeben, versus neue Technologien ins Unternehmen zu bringen, vielleicht auch komplett dem Modellwechsel zu machen. All die Themen, die wirklich in der IT sitzen sollten. Aber alles, was irgendwo mit Fachwissen zu tun hat, hat aber auch mit der Software zu tun. Und das muss in den Fachbereich. Und das ist ein Thema, was sich die meisten gar nicht überlegt haben, bevor es dann ins Projekt geht. Und ein Riesenwandel auch im Mindset einfach mit sich bringt. Wer macht das dann im Fachbereich? Also wir sagen, der Application-Owner, wir sagen, für uns ist die IT eigentlich nur für Integration-Security verantwortlich. Und dann gibt es ein Application-Owner. Und den möchten wir eigentlich aus Fachbereich. Das ist dann jemand, der zum Beispiel Finanzwissen hat oder Procurementwissen oder Vertriebsindienstwissen diese Themen. Und dem seine Rolle ändert sich aber und der wird eigentlich zu einem IT-Applikation-Owner für diesen Bereich. Und da hilft es einfach zu verstehen, wie dieses Prozesswissen in Kontext gebt werden kann. und das muss jemand sein, der ein bisschen Afines, was Technologie angeht, der ein bisschen Lust hat, die Zukunft zu gestalten. Also der typische Kurz vor der Rente stehen, der nicht ganz IT-Afine Fachbereiche mitarbeitet, ist nicht der richtige, aber jemand, der schon zwei, drei Jahre damit gearbeitet hat und sich verändern möchte, der ist super. Das kann auch irgendwas dazwischen sein, als ich möchte nicht sagen, das muss ein 25-jähriger Kälz sein oder junge Dame. Aber das Mindset muss stimmen und ich muss mich gut anstellen, was Tech angeht. Kurz in eigener Sache. Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkaridige Gäste hören möchtest, dann freue ich mich über deine Unterstützung. Mit einer 5-Sternen Bewertung und einem Abo für den Podcast hilfst du uns sichtbarer zu werden und AI First weiterzuentwickeln. Für dich und die gesamte Community. Ich danke dir. Was sind so "Checks" die bei euch laufen müssen, bevor ein Agent in den Produktivbetrieb geht? Die Frage muss ich ein bisschen ausführlicher beantworten. Ich habe es vorhin kurz angesprochen. Bei uns reicht 99% Reliability nicht. Wir arbeiten mit Kern-RP-Prozessen. Wir automatisieren das Herz von Unternehmen. Das heißt, wir brauchen wirklich 100%. Und das das funktioniert. Rechen "Wir Workflow" runter in Einzelschritte. Wir haben nicht einen Agenten für einen kompletten Workflow, sondern wir haben für jeden Einzelschritt einen Agenten. Und dann hast du im Accounts-Pable, hab ich es angesprochen, 160 zum Beispiel von denen. Und je nach Rechnung die reinkommt, brauchst du 20-30, die dann wirklich in Einsatz kommen. Es kommt drauf an, für welchen genauen Newscase ist das. Und die werden dann orchestriert. Diese 160 sind generisch. Die funktionieren über alle Kunden erst mal gleich. Und die sind auch als SARS-Apt-1-Zon-Zu-Verfügung und funktionieren. Das Problem ist jetzt, das kommt bis zu einer gewissen Schwelle gut. Und diese Automationsschwelle, die kann nicht überschritten werden aufgrund der Daten des Unternehmens. Und jetzt müssen generische Agenten mit bunten spezifischen Agenten übersteuert werden, um noch höhere Automation hinzubekommen. Ich greife noch mal das Beispiel von dem Kontieragenten auf. Sag mal, du fehligst das in der Vergangenheit AWS-Rechnungen konntiert. Und der Kontierungsagent, der generische Gtizin und sagt, Felix hat 10 out AWS-Rechnungen konntiert. 5 waren Sachkonto 47, 11. Die anderen 5, 79, 12. KI ist dafür gebaut. Das ist zu verstehen, warum. Strukturen abzuleiten, die Unterschiede zu evaluieren. Das ist genau das. Und jetzt kommt diese KI-Agent nicht drauf. Warum sind die ersten 5, 47, 11 von die anderen 5, 79, 12. Und wir hatten das in der Vergangenheit und haben wir selber als Menschen drauf geguckt und hatten keine Chance. Und wenn du dann jetzt dich als User fragst, hey, Felix, warum hast du das so gemacht und du guckst du das an, dann ist die Antwort sehr häufig. Ich würde sagen, 9 aus 10 mal. Durchabend Fehler gemacht, die 79, 12 kannst du ignorieren, nehm immer die 47, 11. Und jetzt muss für Felix als User und AWS als Lifferant dieser generische Kontieragent durch einen Kunden-spezifischen Agenten ersetzt werden mit genau dem Kontext. Weil wenn ich den Kontext einfach dem generischen geben würde, dann wäre irgendwann das Kontext window zu viel. Und dann kann ich es wieder vergessen, weil dann scheitere das ganze System. Und bei so einem Kunden-spezifischen Agenten da wird getestet. Da brauchen wir ein gewisses Validierungset um zu verstehen, macht das den Sinn. Weil ich möchte nicht jetzt bei der erst besten neuen Ausnahme ohne Validierungsetten Kunden-spezifischen Agenten die pläuen, der könnt ihr beim zweiten Mal schon was falsch machen. Und deshalb da gibt es Tests, aber das ist innerhalb des Prozesses. Also wir glauben überhaupt nirgends an A-Priory, sondern wir glauben immer das Problem innerhalb des Prozesses zu lösen. Das heißt, wenn es aufkommt und wenn es sagen wir, das ist die erste Ausnahme mit AWS, dann muss es der Mensch machen. Kommt die zweite, kann ich jetzt schon, musste erkennen, kann ich jetzt einen Kunden-spezifischen Agenten releasing, weil jetzt kann ich ja auf beide Tests. Und je nach Einzelaufgabe, je nach Agent, kommst dann halt drauf an. Wie viel Test möchte ich, wie viel Sicherheit brauche ich, weil am Ende ist es eine Risiko-Betrachtungsfrage, ob ich es wirklich automatisieren möchte mit weniger Testdaten oder nicht. Okay, und das Testing läuft dann aber natürlich auch ein Monitoring-Leucht dann auch automatisiert, weil über diese Menge an Agenten, über die Vielzahl von Prozess-Schritten, ist ja sonst sehr möglich. Ja, genau das ist das Schrank. Das größte Problem, was auch viele Firmen erst mit der Zeit feststellen, das meine ich auch wieder mit einem Betrieb, was wir vorhin hatten, das Thema. Die Modelle verbessern sich ja. Und das heißt, ich möchte von dieser Verbesserung der Modelle ja profitieren. Wenn ich jetzt alle Custom-Actions mit einem Modellwechsel versehe, dann muss ich ja irgendwie automatisiert testen, ob diese Modellwechsel mir irgendwas kaputt macht. Das heißt, ich muss automatisch gegen eine Validierungsset prüfen, macht das noch das Richtige. Und das sind alles so Themen, die in der Plattform bei uns dann natürlich drin sind und oder jemand dann halt mit berücksichtigen muss, wenn das so ein Projekt selber umgesetzt. Auch das ist nicht schwierig. Man muss es halt machen, man muss es richtig machen, man muss es dann auch gut betreiben. Vielen vielen Dank, da waren jetzt echt ganze Menge Inzides dabei. Wir haben jetzt weil so ein Durchmarsch durch alle möglichen Themen gemacht. Ich habe noch abschließend eine Frage an dich. Und zwar sind ja gerade alle möglichen Unternehmen, Menschen dabei, agents zu verstehen, in ihrer eigenen Prozesse einzubinden, darunter die Infrastruktur zu bauen. Was würde es so sagen, ist in den letzten acht Jahren, wo du dich mit dem Thema beschäftigst, die wichtigste Sache, die du über damals Microsoft Services heute agents gelernt hast. Die wichtigste Sache über KI Agenten. Wir hatten, und wir kommen wieder der Menschen in den Sinn und die Sorry ein bisschen zu aushofieren. Es gibt so einen Change-Cycle von Menschen. Ich habe nicht nicht dich mehr ausgedacht, das auch wissenschaftlich wieder ein Gardener Heip-Cycle von vorhin. Und da ist am Anfang, hat der Mensch erst mal eine gewisse Abwehrhaltung, was der Bauern nicht kennen frister nicht. Und er versucht sich sogar dann, Beispiele rauszupicken, um anderen zu beweisen, dass das doch blöd ist und dass das gar nicht funktionieren kann. Und das dauert eine ganze Weile, bis er in der Frustration endet, weil ihm die anderen quasi nicht mehr glauben oder er sich nicht selber belügen kann. Bevor er anfängt, das Thema zu adaptieren und sich darauf auszubilden und dann sinnvoll einzusetzen und sich dahingehend zu entwickeln. Und ich sehe das ganz viel. Wenn wir es fünf Jahre zurückdenken, als wir noch selber Extractionsmodelle verkauft haben und gebaut haben, dann hat die User am meisten gefreut, wenn wir mal was nicht erkannt haben. Vollkommen banane, weil die Plattform zeigt ja nur noch, was wir nicht erkennen, das ist die Aufgabe. Alles was erkannt wurde, siehst du ja gar nicht mehr. Und wenn ich es ein paar Jahre nach vorne denke und der Kuntieragenten ein Fehler macht, den dann jemand findet, dann ist das ein ähnliches Verhalten. Und ich glaube das Wichtigste, was wir uns immer wieder veraugen führen müssen ist, wir sind ja auf einem absoluten Durchbruch und das schlechteste, was wir erleben werden, ist heute, wenn wir nach vorne gucken. Die Technologie wird jeden Tag besser und ich bin überzeugt und wir hatten über 300 Kunden beim Kundentag jetzt kürzlich hier in Zürich und die haben alle da auch zugestimmt. Die Technologie ist heute schon nicht mehr das Problem. Es funktioniert heute schon herausragend gut. Wir müssen jetzt einfach reingehen in diesen Wandel und adaptieren und den Mensch zu ändern und die Adaptionen hinzubekommen. Das wird Zeit brauchen, das wird Hilfe brauchen, das wird Energie kosten, aber es ist alle mal wert. Weil wir es hinbekommen, dass wir immer noch die Kontrolle von Prozessen haben, die Guidance von Prozessen haben, aber nicht mehr diesen Atmen aufwand. Dann ist es vollkommen egal, wie die Technologie heißt. Es ist überragend. Weil dann können wir uns auf das fokussieren, warum wir die Firmen gegründet haben irgendwann mal und wo der Wert des Kunden herkommt. Und das ist cool. Und was ist sein Take auf die Rp-Anbieter, die ja auch alle dran sind, Agenten in ihre Produkte einzubauen. Von SAP hast du vorhin gesprochen. Kann euch das nicht zum Verhängnis geben. werden. Du am Ende des Tages, wenn sie sehen bekommen, finde ich super. Ich glaube, auch sie werden es irgendwann hinbekommen, weil dann hilft den Menschen trotzdem. Wir haben jetzt natürlich einen Vorsprung und wir möchten den Vorsprung nutzen und wir entwickeln uns auch weiter und wenn wir irgendwann was anderes machen mit der Technologie, mit unserem fantastischen Team, um den Kunden zu helfen, da ist das auch gut. Am Ende, mir geht es vor allem darum, dass die ganzen Unternehmen da draußen, vor allem in unseren Regionen auf der Welt, die Technologie ist nutzen und ein Wettbewerbsvorteil arbeiten, bevor es andere machen. Und für diese Adaption kämpflich, wo die am Ende herkommt, ist mal dahingestellt und mit dem Augenzbänkern glaube ich, dass wir ein bisschen Zeit haben, bis da manche Player im Markt aufholen. Ich drücke euch auf jeden Fall weiterhin die Daumen. Danke, dass du hier warst und deine Erfahrungen geteilt hast und weiterhin viel Erfolg. Was Gute. Danke, Herr Spass, gemacht Felix.