Was kommt nach KI-Agenten?

00:00:05: TDRN, Arbeit in Progress.

00:00:08: Inspirierende Köpfe und frische Perspektiven für die Arbeitswelt.

00:00:13: Übernehmen Kai-Iagenten bald ihr Aufgaben auf, die wir vielleicht am Arbeitsalltag manchmal nicht so lust haben oder machen sie sogar Jobs überflüssig?

00:00:22: Um diese Fragen zu beantworten, habe ich mir heute jemandem zur T-Dreien Arbeit in Progus gehört, dessen Firma KI-Agenten zu Unternehmen bringt.

00:00:31: Und ich denke mal, Jonas, du wirst mir viele Antworten auf all diese Fragen liefern können!

00:00:35: Aber erst einmal zu dir, Jonas Ditzun ist CEO und Gründer von BeamAI und das Startup liefert laut eigener Aussage selbst lernende KI-Agenten Anfirmen, spezialisiert Seite so auf die Bereiche HR und Finanzen aber natürlich auch auf anderen Unternehmen.

00:00:52: Und im Podcast Wie angekündigt wird Jonas jetzt ganz viele Fragen beantworten.

00:00:56: wir steigen ein mit einem Einblick ins Unternehmen und dann wären wir über das Thema Zukunft der Arbeit reden wie es zu diesem Podcast gut passt.

00:01:05: Aber erstmal Hallo Jonas schön dass du heute bei uns dabei bist und direkt zum Einstieg KI-Agenten auf eurer Website, besonders im Bereich Finanzen, HR.

00:01:15: Financen kann ich mir super easy vorstellen.

00:01:18: Aber was genau machen denn eure KI-agenten im Bereich Human Resources?

00:01:22: Also in der Personalabteilung vielleicht?

00:01:25: Ja erst mal freut mich hier zu sein und freue mich auch das Gespräch.

00:01:29: Genau also wir bauen mit Beam KI-Agenten die wir in Arbeitsläufe abläuferend in Unternehmen integrieren um verschiedene Aufgaben zu übernehmen Und wir helfen unseren Kunden nicht nur am Ende denen Agent zu bauen, um dann durch die Aufgabe zu machen.

00:01:42: Sondern auch tatsächlich erst mal zu verstehen okay was sind die Prozesse wie müssen die Prozess aussehen?

00:01:46: Was ist eigentlich das ganze Wissen was ich brauche um einen so ein Prozess Auszuführen um dann im zweiten Schritt die Agent zu bauern?

00:01:52: also für uns geht es wirklich darum von Anfang bis zum Ende diese ganzen Wertschöpfe von Ich mache erstmal Pause des Discovery ihr verstehe die Prozese bis hin Dann würde ich das zu implementieren und an den Produktionen zu bekommen Und nicht irgendwie zwischendurch als Experiment zu enden.

00:02:05: Wir machen genau viel im Finance-Bereich.

00:02:09: Das fängt an teilweise beim Order Processing, geht hin bis zur vorbereitenen Buchhaltung

00:02:13: etc.,

00:02:14: und wir machen auch tatsächlich viele NHR.

00:02:16: Das machen wir fairerweise primär in den USA.

00:02:19: aber zum Beispiel haben wir einen Kunden mit dem wir in zweiundzwanzig Bundesstaaten diverse CVs für Nurses also für Krankenschwestern screenen.

00:02:26: Die stellen ganz viele Krankenschwester ein und sind dafür verantwortlich.

00:02:29: das heißt wir helfen ihnen auf der einen Seite die CV's zu screenen, zu schauen okay passen ihr auf die Profile dann aber auch die ganzen Unterlagen automatisch zu erfassen beziehungsweise nachzufragen, sodass eigentlich dieser ganze Prozess deutlich beschleunigt werden kann.

00:02:41: Was vorher irgendwie wochengedauert hat von ich brauch kommende Antwort mein Interview passiert, die ganzen unterladen werden angefragt.

00:02:48: das machen wir alles in sehr komprimierter Zeit.

00:02:50: Und zweitens machen wir es auch mittlerweile teilweise dann besser als die Leute davor.

00:02:54: Wir sehen, dass wir tatsächlich neutraler die Leute bewerten können und sodass ich dann auch bessere Entscheidungen treffen kann im Hiringprozess.

00:03:01: Aber am Ende ist immer noch so das ein Mensch drauf schaut und das am Ende nochmal überprüft.

00:03:05: Da gibt's viel Regulierung in den USA wo wir genau schauen müssen.

00:03:09: was dürfen wir vorschlagen?

00:03:12: Wo liegt denn am Ende tatsächlich die Entscheidung im letzten Schritt?

00:03:14: Wenn du sagst, ihr seid da teilweise neutraler unterwegs als quasi die menschlichen EntscheiderInnen.

00:03:22: Wie kommst du dazu?

00:03:23: Mit welchen LLMs arbeitet ihr da?

00:03:25: Also wir nutzen verschiedene LLM's tatsächlich um auch gerade diese Biases dann nicht zu haben und wir testen ganz viel mit unterschiedlichen LLMS.

00:03:33: Vielleicht historisch.

00:03:34: ich habe mal in München studiert und ich hatte damals meine Bachelorarbeit über die Biasing also Biases im Investment Decision Making Kontext geschrieben.

00:03:43: Seitdem war ich immer sehr interessiert daran, okay wie treffen Menschen Entscheidungen und warum machen wir auch Fehler?

00:03:47: Also warum haben wir diese Bias oder warum nutzen wir Heuristiken.

00:03:51: Und das ist auch etwas was wir bei Menschen sehen wenn wir die Prozesse dann tatsächlich mal über längere Zeit beobachten.

00:03:56: Am Anfang ist es so dass man alle sagen ja gut die AI kann das nicht so gut die macht hier ein Fehler.

00:04:01: also eigentlich genau das gleiche was bei autonomen Autos passiert die das Auto macht irgendwie einen kleinen Unfall und alle sagen guck mal es kann das noch gar nicht.

00:04:08: aber tatsächlich kann man statistisch eigentlich schon zeigen dass das Auto viel sicherer fährt als beispielsweise den Menschen.

00:04:13: Und das sehen wir.

00:04:14: und es ist natürlich auch ein Problem, was wir mit unseren Kunden haben.

00:04:16: Die sagen dann okay hier guckt mal der Agent hat da einen Fehler gemacht und da müssen wir sagen ja ok aber er hat jetzt irgendwie zwanzigtausend andere Cases hat er gerade richtig gemacht.

00:04:25: Darauf müssen wir schauen.

00:04:26: und trotzdem ist die Fehlerrate am Ende sehr geringe.

00:04:28: und wie wir das machen?

00:04:29: Ist dass wir tatsächlich erstmal die Agents aufsetzen und dann am Anfang das auch tatsächlich Benchmarken.

00:04:35: also wird ganz viel Feedback gegeben auch Menschen, die darauf schauen und du hast es gerade erwähnt Wir nutzen selbstlernen.

00:04:40: also der Agent oder die verschiedenen Agents beobachten sich und so verbessern wir das über Zeit.

00:04:45: Natürlich ist es jetzt sehr aufwendig, wenn quasi jeden Schritt nochmal irgendwie überprüft wird.

00:04:49: Das heißt, wir bauen relativ viel Evaluations- und ja am Ende auch noch mal andere Algorithmen darum um das Überzeit dann zu verbessern und den Agenten quasi selber lernen zu lassen.

00:04:59: okay was hat funktioniert?

00:05:00: welches Feedback hat war richtig von mir wo habe ich richtige Aktionen getroffen?

00:05:04: Und das können wir für verschiedene Artenweisen machen.

00:05:06: Das heißt generell macht es so, dass ihr nicht einen Agent für eine Sache habt.

00:05:11: Zum Beispiel um Bewerbungen jetzt einzuordnen sondern ihr habt dann verschiedene Agents die diese Aufgabe lösen.

00:05:17: und am Anfang ist da auch der berühmte Jungen in der Loop das heißt der Mensch der immer noch mit drauf schaut und quasi diesen Agents dann auch sagt hey so nicht so kannst du's machen bis dann irgendwann die Phase quasi übertritt in der Agent arbeitet wirklich selbstständig oder die Agents im Team quasi

00:05:35: Genau, also zwei Punkte da drin.

00:05:37: Ja, Agent ist ein bisschen fluides Konzept auch.

00:05:40: Also wie groß mache ich einen Agent?

00:05:41: Ich kann theoretisch einen Agent machen der alles kann und dann irgendwie auf der einen Seite dafür zuständig sind Interview zu führen, dafür zuständig ist den CVSuscreen.

00:05:49: aber es hat bestimmte Vorteile genau wie in einer menschlichen Organisation oder eine Organisation die mit Menschen aufgebaut ist Arbeitsteilung zu betreiben.

00:05:55: das heißt ihr habt einen Agent der genau für eine Aufgabe verantwortlich ist und das kann er sehr gut.

00:05:59: Und dann gibt es einen anderen Agent, der beispielsweise im Anfang erst mal alles sortiert und dann schickte das an die relevanten Agents weiter.

00:06:09: die Subagents oder Evaluations, wo eigentlich ein anderer LLM-Call wieder auf den Output des Agents gelenkt wird und evaluiert wird.

00:06:17: Okay wie gut hat der Agent jetzt das gemacht basierend auf diversen Kriterien, die wir vorher festgelegt haben?

00:06:23: Das heißt jetzt der Agent hat gesagt hey was mach ich würde diese Person in die Einstellung?

00:06:26: oder er hat gesagt dieser Rechnung würde ich bezahlen oder nicht bezahlen.

00:06:30: Dann gibt es diverse Kriterien, die dann nochmal überprüft werden.

00:06:33: Das heißt das ist nicht so dass wir sagen okay ich habe irgendwie ein one-shorter also ich mache das einmal sondern da sind ganz viele Loops drin um am Ende sicherzustellen, dass wir das gut machen und eben jetzt nicht beispielsweise irgendwie eine Agent einfach entscheiden kann ok ich mach das mal und dann ist das meine Entscheidung sondern dann gibt's dann ganz viele Filter quasi die dabei helfen das zu überprüfen und dann auch das genau zu machen und richtig zu machen.

00:06:55: Wie ist es jetzt aber in der Zusammenarbeit zwischen KI Agents und Mitarbeitenden?

00:07:01: Haben dann Mitarbeiter quasi mehrere Agents, die sie flexibel auf Aufgaben setzt?

00:07:06: oder wie ist da die Aufteilung.

00:07:08: Also prinzipiell ist es so dass wir End-to-End Automatisierung machen.

00:07:12: das heißt am Ende übernimmt der Agent eigentlich den gesamten Prozess und kann in bestimmten Zwischenschritten sagen ja pass mal auf mir fehlen bestimmte Informationen.

00:07:19: ich musste jetzt vom Menschen nachfragen Und dann schickt ihr quasi human in the loop, schriegt mir Nachfrage her.

00:07:26: Pass mal auf das.

00:07:26: und das brauche ich noch an Informationen um jetzt irgendwie auf meine Aufgabe weiter zu machen.

00:07:29: wenn ich das nicht habe, kann ich nicht weitermachen.

00:07:33: So ist es dann dass wir sehen, dass Menschen mehrere Agents steuern können Je nachdem wie das konkrete Setting ist, kann es sein dass wir beispielsweise einen Agent pro Mitarbeiter bauen.

00:07:44: Also zum Beispiel haben wir ein Case hier auch in Deutschland wo wir Sales Order Processing machen.

00:07:50: Das heißt bei jedem Mitarbeiter kommen Orders rein per E-Mail, per Telefon, per Fax Teilweise, ja.

00:07:58: Und die werden dann von jeweils einem Agent erst mal irgendwie für den Mitarbeiter analysiert, weil jeder Mitarbeiter noch einmal bestimmte Sondersachen hat und dann geht das an einen anderen Agent der quasi dann die große Order in SAP anlegt und dann würde ich dafür verantwortlich ist, die Order auszuführen zu simulieren oder dann auszufüllen kommt ein bisschen auf das konkrete Problem an.

00:08:17: Und man muss auch sagen, dass jetzt gerade in der AI ändert sich unfassbar viel als wir irgendwie angefangen haben vor zwei Jahren war es Agents sehr beschränkt.

00:08:25: mittlerweile können wir den viel mehr, viel komplexere Aufgaben geben und trotzdem sehen wir noch, dass sie das gut ausführen kann und immer besser ausfüllen können.

00:08:33: also man musste auch konstant irgendwie updaten und schauen okay wie veränder ich das jetzt?

00:08:36: deswegen ist dieses Self-Learning auch so wichtig weil wenn wir ein statisches Konstrukt von Agents haben Also es gibt den Drift natürlich irgendwie in den Aufgaben, das heißt die Aufgaben ändern sich.

00:08:46: Es gibt aber auch den Drifft in den Models selbst.

00:08:48: also ist ganz interessant zu beobachten dass wenn ich jetzt mit GPT-V zum Beispiel einen Agent gebaut habe, der über Zeit die Performance schlechter wird und wenn ich nicht die richtigen Gerüste drum habe dann fällt mir das nicht so richtig auf.

00:09:02: So was ist das was wir mit unseren Kunden machen?

00:09:03: Das heißt wir sehen dann ja, pass mal auf, die Accuracy geht jetzt runter.

00:09:07: Ist das jetzt ein Problem von GPT-Five, was halt nicht mehr so gut ist und die neue Generation rauskommt oder nutzen wir jetzt Gemini?

00:09:11: Oder nutzen wir doch irgendwie einen Custom Trained Model.

00:09:13: Das sind dann so Aufgaben, die wir mit unseren Kunden besprechen beziehungsweise auch für unsere Kunden automatisch ausführen.

00:09:18: Das heißt aber auch ihr macht für jeden Kunden quasi sein individuelles Tool Agent Setup mit dem jeweils passenden Sprachmodell dahinter.

00:09:27: Wir haben natürlich unseren Baukasten, aus dem wir uns dann bedienen.

00:09:30: Und dann geht das alles relativ schnell.

00:09:31: Ich glaube am Anfang haben wir mal tatsächlich irgendwie für den ersten Agent neun Monate gebraucht.

00:09:36: Mittlerweile setzen wir das nicht immer an einem Name-Tag auf und das heißt, wir haben Baukosten.

00:09:42: Wir haben unser eigenes Operating System eigentlich was wir nutzen wo wir Informationen von unseren Discovery Agents also beispielsweise sagen wieder unserem Kunden hey du musst jetzt mal ein Interview mit so einem Voice Agent führen.

00:09:51: Dieser Agent führt den Kunden dann durch diverse Fragen stellt alle Fragen im Irrelevant sind, nutzt dann die Information und schiebt das in unser System.

00:09:59: Und da gibt es natürlich wieder interne Agents, die den Agent für den Kunden bauen.

00:10:03: Insofern lupen wir das die ganze Zeit.

00:10:04: aber im Prinzip ist es trotzdem immer bis zum gewissen Grad was individuell alles.

00:10:08: Aber natürlich basierend auf dem Baukasten!

00:10:10: Das heißt aber auch ihr als Beam AI, wie du es gerade beschrieben hast setzt jetzt dann für die Kunden zum Beispiel für diese geführten Interviews.

00:10:16: Dann wiederum Agents ein wo dann zum Beispiel Daten erfasst werden, die auch mithilfe von Agents wieder an andere Tabellen übertragen werden sprich vieles was sagen wir mal Excel basiert ist.

00:10:27: Jetzt war einfach gesagt Ticket basiert machen dann die Agents automatisch und dasselbe passiert er dann auch beim Kunden wie du's beschreiben hast.

00:10:35: Aber geht da nicht auch total Nachvollziehbarkeit verloren?

00:10:38: Fragt man sich dann nicht manchmal, wie kann denn diese Entscheidung jetzt zustande.

00:10:43: Ganz im Gegenteil tatsächlich ist es viel nachvollziehbarer, weil jede Trace, sagt man also jeder Evaluation, jedes LLM-Call wird aufgezeichnet.

00:10:52: Und wenn wir jetzt einen Fehler haben können wir sofort reindrillen und wissen ganz genau warum ist dieser Fehler jetzt passiert?

00:10:57: Ist das ein Problem, weil das LLm nicht geantwortet hat, weil er's falsch verantwortet hatte?

00:11:01: Ist es ein Fehler, weil die Informationen nicht richtig da waren?

00:11:03: Ist is'n Fehler bei der PDF nicht richtig ausgelesen wurde?

00:11:06: Wir können das super gut nachvollziehen bis wirklich ins kleinste Detail.

00:11:11: Wir haben dann auch für uns, das ist jetzt nicht immer für den Kunden so relevant auf allen Accuracy Scores.

00:11:17: Also wir messen einen Genauigkeitswert und dann sehen wir okay wie sicher der Agent sich in jedem einzelnen Schritt ist.

00:11:23: Wenn da irgendwie steht, dass es schon mal schlecht ist, dann wissen wir okay irgendwas läuft gerade nicht so ganz.

00:11:28: Da gibt's bestimmte Sachen die vielleicht nicht erfüllt sind.

00:11:31: Und so ist es tatsächlich am Ende so, dass wir viel besser beobachten können was in dem System passiert und warum der Agent eine bestimmte Entscheidung trifft.

00:11:39: AI ist eine Black Box.

00:11:41: Das trifft halt nur insofern zu, wenn ich einen Call mache.

00:11:44: Also ich stelle eine Frage und eine Antwort, dann weiß ich nicht ganz was das LLM dazwischen gemacht hat ... ... wenn ich es jetzt auf GPD oder Entropic mache.

00:11:51: Die Fakte gibt's ja aber auch davon Traces die haben wir dann... Und dann wissen wir ganz genau warum, was jetzt passiert ist.

00:11:56: wie war das reasoning?

00:11:58: Warum hatte er das jetzt so eine bestimmte Entscheidung bekommen?

00:12:00: Was du auch gerade beschrieben hast oder das Beispiel, was du Eingangs genannt hattest, war ja zum Beispiel eben Bewerbungsmanagement.

00:12:08: Jetzt ist es hier in Europa so dass ver einfach gesagt immer wenn ich jetzt Bewerbung sehe,

00:12:12: etc.,

00:12:13: die finale Entscheidung lade ich Menschen ein muss von Menschen getroffen werden.

00:12:17: In den USA ist dann dementsprechend wahrscheinlich anders und könntest ihr es ja so nicht machen.

00:12:22: oder wie funktioniert das da?

00:12:24: Tatsächlich ist das auch so dass die finale entscheidung immer vom menschen getroffen wird.

00:12:27: aber dies ist natürlich auch ein bisschen dehnbar.

00:12:29: was macht der Mensch also?

00:12:30: folgt einfach der Vorlage von der AI.

00:12:34: hat er alle Informationen schon zusammen gezogen?

00:12:37: Ich kann ja auch erstmal alle Informationen aus verschiedenen Quellen zusammenziehen und dann sagen wir, guck mal hier ist eine Executive Summary.

00:12:43: Das sind die fünf Punkte auf die du nochmal anschauen musst.

00:12:45: Hier sind wir uns nicht ganz sicher.

00:12:47: Und hier musst du noch ein bisschen tiefer reingehen und by the way ich habe schon alle Nachfragen irgendwie gemacht.

00:12:53: das war nicht ganz klar aus dem CB was damals mit diesem Job war.

00:12:56: Ich hab's schon nochmal nachgefragt um diese Information auch noch eingeholt.

00:12:59: also es gibt da immer bestimmte Grenzen natürlich an denen man sich auch halten muss was man dann vielleicht nicht machen kann.

00:13:06: Immer am Ende, worum geht es?

00:13:08: Ich muss ja einen Kundenvorteil haben.

00:13:09: Am Ende muss ich eine ROI zeigen warum das jetzt besser, schneller, qualitativ besser ist was das nicht hindert in dem konkreten Fall.

00:13:16: Gippens doch auch nochmal kurz ein Ausblick.

00:13:18: du hast gesagt Kunden in den USA.

00:13:20: ihr habt Kunden in Deutschland.

00:13:21: wo sitzen eure Kunden?

00:13:22: überall auf welchen verschiedenen Kontinenten sind sie quasi verteilt?

00:13:27: Eine gute Frage, also wir haben mittlerweile auch ein Büro in Australien.

00:13:32: Wir machen was im Middle East, Saudi und UAE, USA und Europa.

00:13:36: ich würde sagen der Kern ist immer noch Europa.

00:13:37: jetzt machen wir zunehmend USA weil da natürlich auch irgendwie der Speed insgesamt ein bisschen schneller ist als es vielleicht in Europa der Fall ist und natürlich auch der Markt einfach unfassbar viel größer ist.

00:13:47: Darauf fokussieren wir uns jetzt.

00:13:49: zunehmt aber Kern zu unternähen sind wir alle deutschen Anführungszeichen, haben wir alle mal eine Tum studiert oder viele von uns sind dabei mittlerweile ziemlich auch verteilt.

00:13:59: Das heißt ja gerne in den USA ist der Speed schneller.

00:14:01: aber was heißt das für dich konkret?

00:14:02: Woran machst du das fest?

00:14:05: Also für uns ist natürlich entscheidend wie schnell kommt ein Kunde zu einer Entscheidung.

00:14:08: ich will jetzt mit uns arbeiten oder nicht und Wo?

00:14:12: ich in Deutschland, also am Ende gibts da auch wieder ein Gegenbeispiel wo es natürlich sehr schnell geht.

00:14:17: Aber Amerika ist von der Kultur generell eher so lasst uns das mal ausprobieren.

00:14:20: wenn's nicht funktioniert seid ihr auch wieder raus und das ist dann auch so.

00:14:23: Und wenn ich dann nicht innerhalb von irgendwie sechs bis acht Wochen zeige okay dass funktioniert jetzt würde ich Dann ist das Projekt halt auch beendet und dann gehts nicht weiter.

00:14:31: Das in Deutschland ist man glaube ich eher Langsamer, man arbeitet mehr vor.

00:14:36: Dadurch ist man dann auch deutlich loyaler was wir schon auch bei unseren Kunden sehen.

00:14:38: also mit Kunden.

00:14:40: ich glaube wir haben jetzt gerade einen Kunden expanded mit den Arbeiten schon zwei Jahre zusammen.

00:14:45: Und das ging durch Höhen und Tiefen, also es hat beides Vor- und Nachteile.

00:14:48: Ich glaube insgesamt sieht man dass in USA die Experimentierfreudigkeit ein bisschen höher ist und dann auch die Entscheidungsfindung einfach schneller ist weil ich jetzt sagen kann okay jetzt mache ich das.

00:14:56: Und natürlich auch mittlerweile muss ich schon sagen der Druck teilweise vom Ziellevel oder dann auch von dem Boards noch ein bisschen höher ist und sagen ok das muss jetzt passieren du musst jetzt deine AI Strategie hier im Bevorstellen und du musst ja auch mal zeigen dass du davon Benefit hast wo vielleicht jetzt woanders der Druck noch nicht ganz hoch ist.

00:15:12: Kannst du uns vielleicht auch noch mal einen Einblick geben, welche Cases sind denn für Unternehmen in den USA oder auch für deutsche Unternehmen?

00:15:18: Gibt es so ein Fall wo ganz viele Unternehmen gerade weltweit Interesse haben und unterscheiden sich die Märkte stark bei der Nachfrage was gerade spannend ist in diesem Bereich KI-Agenten.

00:15:31: Es gibt natürlich ein paar Cases, die wir immer wieder sehen.

00:15:33: Deswegen machen wir auch viel im Finanzbereich logischerweise, weil wir da die Cases einfach immer wiedersehen.

00:15:37: Alles was Invoice Reconciliation ist Sales Order Processing sind wir dauernd.

00:15:42: Generell ist es so, dass es eigentlich eher darauf ankommt wie weit ist die Firma und wie gut hat sie jetzt AI schon verstanden?

00:15:48: Und wie gut ist die AI Strategie und habe ich die relevanten Leute in der Firma?

00:15:52: Und dann ist die Frage, habe ich meine Prozesse mir schon mal angeschaut.

00:15:55: Weiß ich eigentlich gerade was im Unternehmen vor sich geht?

00:15:57: Weiße ich welche Prozisse ich jetzt überhaupt mal am Anfang anfassen kann?

00:16:00: Weiss ich wo ich tatsächlich den Benefit habe oder dem Benefit nicht habe und das ist jetzt... Ich glaube, das kommt sehr darauf an.

00:16:09: Da sehen wir in Europa-Firmen die da sehr weit vorne sind und einfach schon Taskforces haben diese sehr tief reingegangen sind.

00:16:14: zu Speedboots haben sie einfach schnell entwickeln und sagen okay wir machen das jetzt mal.

00:16:17: Sehen wir in USA auch.

00:16:19: und dann gibt es andere Kunden die haben noch gar keine Ahnung und die sagen ja pass mal auf ich habe jetzt irgendwie dem Board versprochen dass ich hier AI mache aber ich habe absolut gar keine ahnung was eigentlich gerade los ist.

00:16:28: insofern wäre super wenn wir uns mal zusammensetzen können und immer sagen kannst du was ich bei mir im Unternehmen mache.

00:16:33: Bei uns war das so ganz am Anfang, dass wir eigentlich sagen, wir bauen neue AI.

00:16:38: Wir haben sehr früh angefangen unser jetzt bitte nicht Beratung aber ein Beratungs-Team, Konsultenteam oder Forward Deployed Engineers nennt man das in Neudeutsch aufzubauen die mit dem Kunden erarbeiten und gerade dabei auch dann helfen tatsächlich die relevanten Cases zu identifizieren.

00:16:54: Also wir sehen jetzt über die nächsten zwölf Monate, beispielsweise irgendwie deinen Bottom-Line.

00:16:59: Glauben wir dass wir drei Millionen einsparen können und die krisischen relevanten KPIs erhöhen oder verbessern können auf den und den Prozentsatz?

00:17:08: Und da sind wir mittlerweile sehr gut drin geworden das outside in tatsächlich zu machen.

00:17:13: also wir können uns eine Firma anschauen.

00:17:16: Wir haben schon einen sehr guten Handschuh in welche Richtung es geht und was man dann tatsächlich machen kann ... um wieder zurückzukommen.

00:17:24: Ich glaube, es hängt eher von der individuellen Status der Firma.

00:17:27: Da sehen wir wirklich noch die, die sehr vorne mit dabei sind oder eher später und für uns ist... Die Antwort darauf ist jetzt nicht ein Case.

00:17:34: Wir haben so unsere Lieblingscases und darauf schieben wir da auch Stück für Stück bei unseren Kunden damit wir jetzt nicht jedes Mal was Neues machen.

00:17:41: Aber genau, wir arbeiten nun mit unserem Kunden.

00:17:43: dann am Ende okay?

00:17:44: Was macht am meisten Sinn für die?

00:17:46: wo sehen wir da am meisten?

00:17:47: Benefit?

00:17:48: Ich nehme mal an, Benefit hängt ja dann auch damit zusammen, wo KI-Agenten möglichst fehlerfrei, möglichst passend arbeiten.

00:17:54: Und deshalb die Frage, woran genau macht ihr das fest?

00:17:57: Du hattest dir erwähnt natürlich auch Fehlerquoten, wenn da irgendwie nur siebzig, achtzig Prozent stimmen schon mal schlecht!

00:18:02: Also die siebzig, achtzig Prozent sind nicht etwas, womit wir in Produktion gehen – im fast keinen Fall.

00:18:08: Typischerweise müssen wir bei unseren Kunden zeigen, dass wir Aufgaben mit ninety fünf Prozent plus machen können.

00:18:12: Das heißt es passieren immer noch ab und zu mal Fehler.

00:18:16: Diese Fehler sind aber vielleicht nicht kritisch.

00:18:18: Also, wir unterscheiden dann auch wieder welche Arten von Fehlern gibt es also beispielsweise wenn ich ein GDPR-Komplein Prozess habe?

00:18:25: Ich darf halt nullmal einen Fehler machen irgendwelche GDPR Kompleins Sachen zu verletzen.

00:18:29: Das heißt da hab' ich eine Nullprozentfehler.

00:18:31: Toleranz.

00:18:32: das können wir dann auch tatsächlich erreichen de facto.

00:18:36: Aber generell ist so die Trend-Line irgendwie, um dann wirklich die Agents zu nutzen.

00:18:41: Mittlerweile, Agents haben sehr Breit.

00:18:43: Das ist mittlerweile alles in den Agents.

00:18:46: Früher waren das Chatbots.

00:18:48: Ich glaube, Agent am Ende, die tatsächlich Aufgaben ausfüllen.

00:18:51: Deswegen wird es manchmal ein bisschen durcheinandergeworfen auch so die Agends, die wir verstehen und die tatsächlich autonom agieren.

00:18:57: Da gilt diese ninety Prozent-Schwelle ganz gut.

00:19:02: Um das zu tun... Es eignet sich nicht alles, jetzt irgendwie einen Agent drauf zu schmeißen und dann wird das besser.

00:19:09: Wenn ich die Historie anschaue, dass man in den ersten Sachen machen kann, haben da viele rumexperimentiert und gesehen, es funktioniert so naja... Die ersten Prototypen sind ganz cool aber ich krieg's nicht in Produktion.

00:19:24: Und hier im Jahr zum Beispiel sehen wir, kommt und dann auch den Benefit hat.

00:19:29: Das Problem ist, wenn ich halt nicht anfange, ich brauche eine gewisse Zeit um dann wirklich diesen Benefit aufzusehen das kriegen wir immer schneller hin.

00:19:35: aber deswegen glaubt die generelle Antwort ist sie früher mal anfängt und je früher man gut versteht wo ich den benefit habe desto besser ja und vor allen Dingen jetzt auch.

00:19:44: also wir reden viel über KI-agenten.

00:19:46: für uns es jetzt schon so langsam ich sage jetzt, Jahrzehnt, zweixend, zwanzig ist jetzt der Start nicht mehr von KI-Agenten sondern eher von tatsächlich Operating Systems.

00:19:54: ja also wir bauen komplette Systeme in in denen KI-Agenten agieren, aber eigentlich bauen wir wirklich so einen digitalen Zwilling des Unternehmens und dieser digitale Zwilling lernt den Überzeit über die Agent.

00:20:05: Und baut sich eigentlich so eine eigene Graf-, eine eigene Karte des Unternehmeres und agiert dann auf diese Karte.

00:20:11: Und ... ... und ich glaube es ist das, was wir dann zunehmend in Produktion sehen werden.

00:20:16: Das heißt wenn man jetzt noch bei Agents ist... Es kommen jetzt schon wieder die nächsten Sachen, wo was beim Schritt weitergeht und sich das Ganze ein bisschen begreifen.

00:20:25: Da haben wir

00:20:25: hier noch etwas.

00:20:25: erst noch drauf schauen.

00:20:27: Einmal schon mal Danke für den ersten Ausblick.

00:20:30: twenty-seven-zwanzig der digitale Zwillinge ich glaube das kennen viele gerade eher aus dem Bereich Industrie, wo es ja auch schon seit Jahren durch die Gegend geistert eben auch zum Beispiel Maschinen digital nachzubilden um Produktion zu optimieren.

00:20:42: lass uns da gleich darauf schauen.

00:20:44: du hast eben in einem Nebensatz gesagt es gibt auch Aufgaben die sollten KI Agent nicht machen.

00:20:48: Nennen doch mal ganz flott zwei, drei Beispiele wo du sagst hey das sehe ich vor allen Dingen auch in den nächsten Jahren nicht dass das sinnvoll ist.

00:20:56: Menschen mögen immer noch Menschen und wir machen diesen Podcast aus dem Grund, also wir könnten das komplett mit KI mittlerweile machen.

00:21:03: Ich könnte jetzt hier meine AI-Avatar hinsetzen, es würde hundertprozentig genauso wie ich klinge und auch mehr Wissen haben und besser antworten by the way als ich das tun würde klare Antworten mit besseren Pausen

00:21:15: etc.,

00:21:16: aber Menschen möben Menschen und das sehen wir im Sales.

00:21:19: Das wird AI nicht komplett übernehmen sondern nur Sondern nur vorbereitend, wenn ich am Ende ein persönliches Meeting habe und zum Geschäftsführer hinfahre.

00:21:29: Und ihm das erkläre es wird ihr eigentlich so schnell ersetzen auch wenn sie es vielleicht sogar besser könnte darüber hinaus.

00:21:42: Das sehen was er nicht machen könnte.

00:21:44: Ich glaube einen Problem ist bekannt, aber Kontext von AI ist unfassbar wichtig.

00:21:50: Das heißt wenn ich jetzt vieles implizite Wissen im Unternehmen habe was die AI nicht weiß kann sie diesen Prozess am Ende nicht machen?

00:21:56: Das ist aber meines Erachtens am ende ein temporäres Problem weil über Zeit wird die AI besser darin werden diese Systeme selber zu nutzen.

00:22:03: Jetzt mit Computer-Use glaube ich haben wir in den letzten drei Monaten einen krassen Fortschritt gesehen und was wir auch sehen dass wir vieles implicite wissen vielleicht nicht aus direkt rausziehen können So blöd wie es klingt, aber bis zum gewissen Grad erraten können.

00:22:18: Das heißt wir schauen uns am Ende die Inputs und die Outputz an Und jetzt hat der Mensch dazwischen irgendwie was gemacht.

00:22:22: Aber eigentlich können wir über Zeit nachvollziehen Was da zwischen passiert ist und warum wir für seine Entscheidung getroffen werden?

00:22:28: Und da arbeiten wir auch schon mit Kunden dran.

00:22:29: Wir schauen uns halt am ende wir beobachten im prinzip den Prozess oder die inputs in die outputs und basieren darauf bauen wir ein agent Der das mit ninety Prozent Genauigkeit macht und es funktioniert.

00:22:38: Wahnsinn Das war doch auch viel Spaß.

00:22:42: Und dann können wir dieses Wissen eigentlich Stück für Stück, selbst wenn wir das nicht haben kümmern es zumindest emulieren

00:22:47: ist ja für euch dann umgekehrt quasi der Mensch.

00:22:50: in dem Fall Beispiel quasi wie die Black Box wo man hinterfragt wie okay das heißt.

00:22:55: da habt ihr einmal das Bild quasi umgedreht.

00:22:57: aber was du beschreibst digitaler Zwilling von Firmen beziehungsweise von Organisationen ganz konkret heißt er dann auch rechnest du damit in den nächsten Jahren dass sich zum Beispiel einfach die Zahl der Brot Jobs der klassischen halbieren wird?

00:23:10: weil Ich meine, wenn ich das alles digital abbilden kann und vielleicht dann ein Mitarbeiter habe der was-was-ich wieviel agentische Teams verwaltet.

00:23:19: Ich glaube mit solchen Aussagen muss man ein bisschen aufpassen.

00:23:22: Vielleicht auch die Analogie zum digitalen Zwillinge?

00:23:24: Ich hab damals, im Jahr zwanzig fünfzehn bei Konux in München gearbeitet, da haben wir eigentlich ja genutzt um Daten von Sensorik zu erfassen daraus quasi digitale Abbilder zu erstellen um Bartons Prozesse beispielsweise unter anderem bei der Deutschen Bahn zu verbessern.

00:23:39: Jetzt war auch damals okay, ich baue einen digitalen Zwilling.

00:23:41: Dann brauche ich keine Wartungsleute mehr die müssen nicht mehr rausgehen und so weiter sofort.

00:23:44: So turns out.

00:23:46: das hat jetzt irgendwie die Jobs verändert aber es gibt sie immer noch.

00:23:50: Und genauso wie jetzt auch irgendwie viele in die letzte industrielle Revolution viele Sachen verändert hat wird auch viele Jobs sehr stark verändern.

00:24:00: Ich gehe aber nicht mit der Aussage dass wir jetzt auf einmal die Bürojobs halbieren weil was wir eher im Umkehrschluss gerade sehen ist Wenn etwas gut funktioniert und der Mitarbeiter mehr Output generieren kann, dann will ich eigentlich mehr davon.

00:24:11: Und die Nachfrage dann auch steigt.

00:24:13: Ich kenne persönlich niemanden in AI, der aufgrund von AI weniger arbeitet.

00:24:19: Es müsste ja jetzt der Fall sein.

00:24:21: Um mich herum sind ganz viele Leute den ganzen Tag nur mit AI arbeiten.

00:24:24: wenn mir jetzt AI wirklich dabei helfen würde wie Jobs zu katten.

00:24:28: Dann würde ich ja sehen, dass die Leute weniger Anbau ist, tut aber irgendwie keiner.

00:24:31: Also ich glaube eher alle arbeiten nochmal wieder mehr weil sie halt jetzt mehr Output-Grenälen können und mehr Sachen machen können.

00:24:37: Und ich glaube wenn man das beides zusammen anschaut, ja gewisse Jobs wird es nicht mehr geben, die werden sich ändern.

00:24:42: dafür wird die Nachfrage vielleicht nach bestimmten Jobs oder auch nach bestimmte Gütern wieder steigen.

00:24:46: Und insofern ist es für mich nicht ganz klar, ob das jetzt tatsächlich dazu führt, dass wir am Ende einfach nur eine Hälfte der Bürojobs haben.

00:24:52: Es wird sich was verändern.

00:24:53: aber ich glaube nicht, und wir sehen uns auch nicht, dass jetzt tatsächlich deswegen die Jobs so krass gekattet werden.

00:24:59: Mehrarbeit durch künstliche Intelligenz, da gibt's ja auch so was wie AI Brain Trial.

00:25:03: Dass Menschen einfach überfordert sind aufgrund des KI-generierten Outputs dann quasi noch mehr Zeit aufwenden um Sachen wieder zu korrigieren.

00:25:10: als Beispiel.

00:25:11: also ist denn mehr immer zwangsläufig auch besser?

00:25:16: Ja ich glaube das kann man auch wieder historisch... Ich meine, damals gab es irgendwie das Internet.

00:25:22: Ist ja immer noch für manche Leute Neuland.

00:25:25: Das war auch immer, dann haben die Leute gesagt, oh, das Internet ist böse und so weiter und so fort.

00:25:29: Es gibt jetzt auch bei AI und in zehn Jahren werden sich alle daran gewöhnt haben.

00:25:32: Und man wird sie auch daran gewohnt haben, dass klar wenn ich jetzt AI anschaue wie viele Token in einer Sekunde generiert werden, wenn ich das jetzt irgendwie währenddessen versuche zu lesen komme nicht hinterher.

00:25:41: Das übersteigt die menschliche Leistungsfähigkeit.

00:25:43: also muss ich halt hingehen, bessere Summaries wieder zu machen und am Ende nur das distillierte Wissen am Ende zu haben.

00:25:50: Und so was passiert ja dann auch über die User Interfaces, wie baue ich die Programme?

00:25:55: Insofern... Ich glaube es ist schon das Interessante dass wir jetzt in ein Stadium kommen wo ich auf einmal etwas gleiche AI, was in vielen Bereichen besser als der Mensch ist.

00:26:10: Interessanterweise gab es das davor ja natürlich auch schon.

00:26:12: also High Frequency Trading hat auch keinen Menschen mehr gemacht weil die Algorithmen einfach viel schneller und besser darin waren.

00:26:17: aber jetzt hat das natürlich auch viele andere Bereiche des Arbeitslebens erfasst und das ist glaube ich für viele Menschen auch eine neue Situation.

00:26:24: dann was einzugestehen.

00:26:25: okay da gibt's was das vielleicht besser kann als ich.

00:26:28: aber dann muss ich mich adaptieren.

00:26:31: Schauen wir, was ich

00:26:32: da mache.

00:26:32: Ich fände an dem Begriff besser.

00:26:35: Da geht es viel um das rationale Entscheidende auf Faktenbasis.

00:26:39: Du hast auch gesagt, die Rechnung entscheidend ist zahlenbasiert nachvollziehbar.

00:26:43: Aber wenn wir jetzt auf Bewerber gucken, dann geht's darum, wie ist der Vibe mit Menschen

00:26:48: etc.,

00:26:49: deswegen meint besser dann rational besser entscheiden weil ohne Emotionen und wenn ja braucht man nicht manchmal auch so ... Ich meine du bist selber Geschäftsführer?

00:27:01: gibt's bestimmt immer dein Bestes für Entscheidungen.

00:27:03: Aber triffst sie vielleicht auch manchmal mit so einem Bauchgefühl und nicht ganz rational?

00:27:08: Also jetzt kommen wir so langsam zu einem meiner Lieblingsthemen.

00:27:11: Deswegen Beheber Economics, was ich mir damals angeschaut habe... Der Mensch ist nicht rational!

00:27:14: Der Mensch trifft Entscheidungen immer aufgrund von Emotionen und deswegen ist aber auch AI nicht emotional.

00:27:21: Nicht rational weil AI emittiert am Ende dem Menschen.

00:27:24: Weil es hat auf allen gelernt, was der Mensch macht.

00:27:26: So mehr zu sagen okay Ich treffe immer eine rationale Entscheidung.

00:27:28: das trifft weder für Menschen zu noch trifft es für AI zu.

00:27:32: Und jetzt komme ich eigentlich dann dahin.

00:27:34: die Frage ist halt Wie treffe ich Entscheidungen?

00:27:37: unter welchen Informationen?

00:27:38: also dieses berühmte Bauchgefühl.

00:27:41: Am Ende sind wir als Mensch nicht sehr gut darin alle Prozesse die bei uns im Gehirn vor sich gehen dann tatsächlich auch zu benennen, da gibt es viel Forschung zu warum ich nicht sagen kann warum mich eine Entscheidung in gewisser Art und Weise getroffen habe aber ich habe trotzdem viele Datenpunkte wie ich dafür genutzt habe.

00:27:58: beispielsweise hab ich vielleicht vor drei Monaten mal was gehört.

00:28:00: irgendwo ist das noch immer im Kopf.

00:28:01: deswegen treff ich eine Entscheidung ein bisschen anders Was uns jetzt wieder dazu führt, dass sich eigentlich die gleiche Möglichkeit geben muss.

00:28:08: Je mehr Kontext ich der AI gebe, je mehr Informationen ich gebe, desto mehr kann sie auch auf diesen ganzen anderen Daten pumpen vielleicht lesen und Entscheidungen treffen.

00:28:16: Und jetzt auch gerade als Geschäftsführer vielleicht so eine Anekdote wo mir das tatsächlich hilft.

00:28:21: Ich habe mir mal ein eigenes Board gebaut aus Agents.

00:28:23: Wenn ich jetzt einen Pitch mache oder beispielsweise bereite einen Pitsch voll Das hatte ich neulich in New York ... arbeite ich mit der AI diesen Pitch durch, dann sagt AI mir pass mal auf dass das ist alles relevant.

00:28:37: Und dann simuliere ich diesen Pitsch und stelle mir drei andere Agents quasi vor oder Baue die... ...die diesem Pitch bewerten.

00:28:46: Dann sagen wir Herr Pass mal auf die Aussage finde ich nicht gut, die Aussagen finde ich auch nicht gut und hier könnten wir auch noch ein Restaurant verbessern!

00:28:52: Dann nehme ich das Feedback, dann übe ich damit.

00:28:54: Dann rede ich selber und sage okay dass jetzt die Aufnahme meines Pitches da gebe ich das wieder in das System.

00:28:59: Und das System sagt Jonas Das war jetzt nett aber es war vielleicht eine fünf von zehn Weil du hast folgende drei Punkte nicht genannt und das war ein bisschen schwammig und der dritte Punkt war auch Nicht besonders gut so und dann kann Ich darauf iterieren und so Kann ich auch Entscheidungen treffen.

00:29:11: also ich simuliere quasi entscheidung In einem virtuellen space mit KIA gänden Die wiederum bestimmte personas emulieren Und so kann ich viel bessere Entscheidungen treffen.

00:29:22: Das ist ein bisschen Aufwand und ein bisschen frime Leih, um das dann richtig gut zu machen.

00:29:26: Aber so kann Ich fünfmal weiterdenken als wenn ich einfach nur sage, oh ja mein Bauchgefühl sagt X, sondern ich habe dann eigentlich in verschiedenen Szenarien das geübt, trainiert und validiert ob das jetzt am Ende die Realität dann ist?

00:29:39: Das ist nicht immer gegeben.

00:29:40: also ich hab auch dann zum Beispiel wo es dann mein virtuelles Board sagt hey pass mal auf wir haben das jetzt diskutiert aber Wir können uns nicht auf den Punkt einigen.

00:29:47: unser Feedback ist Es gibt zwei Möglichkeiten Und dann sitze ich wieder da und muss mich noch entscheiden.

00:29:53: Aber so kann man seinen Entscheidungsprozess schon signifikant verbessern mit AI, klar aber immer auch tatsächlich im Tandem und im Spiel.

00:30:02: Wo du das gerade ansprichst?

00:30:03: In fünf Jahren wie stellst du dir dann vorausgesetzt zu bist er noch Geschäftsführer?

00:30:07: Ich mein, ich weiß doch schon viele Unternehmen gegründet.

00:30:10: wer weiß was in fünf Jahren ist, aber wie stellest du dir jetzt erstmal als Geschäftsführer in fünf jahren deinen Job vor?

00:30:16: Was wird sich verändert haben?

00:30:20: Also ich glaube erst mal... was bei mir Spaß ist.

00:30:23: Was ich jetzt mache, ich kann mir gerade nicht vorstellen irgendwas anderes zu machen.

00:30:26: Also es bewegt sich noch so viel, so schnell... Es sind so viele neue Sachen und Dinge und Technologien-Iterationen die rauskommen, können wir nicht wirklich vorstellen irgendetwas anders zu machen.

00:30:37: wie das in zehn Jahren aussieht weiß ich nicht.

00:30:39: für mich auch generell ist es schwierig zu sagen was passiert in fünf Jahren.

00:30:42: also gerade was finde ich die nächsten zwei Jahre interessant?

00:30:45: Und da arbeite ich gerade wirklich viel dran!

00:30:46: Ist quasi all das was Operating System zu bauen, was diese Entscheidung für mich erstmal vorbereitet oder auch trifft.

00:30:54: Es gibt am Tag ganz viele Entscheidungen die ich treffe, die ich wirklich nicht bewusst treffen muss.

00:30:59: Welche E-Mail muss ich archivieren?

00:31:01: Wie mache ich den Termin aus?

00:31:02: Da gibts ganz viel so Crimskrams, denen man eigentlich alles weggeben kann.

00:31:05: Genauso wie ich ziehe einfach ein schwarzes T-Shirt an weil das ist immer okay, da muss ich nicht wieder irgendwelchen entscheidenden Treffen.

00:31:12: und ich glaube was wir jetzt sehen werden im nächsten Jahr und wo ich es gespannt drauf bin mir Stück für Stück vielen von diesen... Entscheidungen abzunehmen.

00:31:19: Und dann aber tatsächlich auch die Long Horizon Sachen zu machen, also wie baue ich jetzt die Strategie beispielsweise für Beam in den USA?

00:31:27: Welche Datenpunkte habe ich?

00:31:28: Wie bau ich jetzt ein System was über Zeit besser darin wird zu verstehen... ...was wir in den USB beispielsweise machen sollten und was ich immer mehr merke dass wir arbeiten ganz anders.

00:31:43: Wir sind eigentlich Architekten, die Systeme bauen Und diese Systeme dann wieder sich orchestrieren lassen und überlegen müssen, wie schafft es jetzt dieses System sich selbst lernt?

00:31:53: Und so das verschiedene System miteinander agieren aufzubauen.

00:31:56: Also ich bin Architekt von Systemen und so wird sich mein Job mehr und mehr verändern.

00:32:02: Für die Veränderung was sind für dich gerade vielleicht spannende Software-Lösungen?

00:32:07: Was guckst du dir an?

00:32:08: Was sagst du?

00:32:09: Das muss ich mir jetzt für die Zukunft schaffen, das muss ich beobachten!

00:32:15: Es passiert so unfassbar für mich jeden Tag.

00:32:18: Das ist ein bisschen schwierig, das da den Überblick zu halten.

00:32:21: Ich glaube was gerade die vielleicht... So on the surface ich habe vorher habe ich Agents gehabt und ich hatte immer einzelne Agents, die eine gewisse Aufgabe abgearbeitet haben.

00:32:34: Ich glaub jetzt seit irgendwie zwei drei Tagen auch in Kodex hab' ich jetzt Agents die Task an andere Agents wieder senden.

00:32:40: Also das passieren einfach dann im Chat.

00:32:44: dahinter steckt ist, ich hab jetzt mehr diese ... diese Networks von Agents die zusammenbauen.

00:32:49: Das gibt's schon als Konzept jetzt auch nicht seit gestern sondern haben immer alle gesagt wir machen Agent Swarm und wir bauen verschiedene Agents zusammen.

00:32:56: Die Faktor hat das halt nie richtig irgendwie ein Benefit außer im Kleinen gehabt.

00:32:59: so und jetzt sehen wir dass dieses Systeme immer weiter und immer besser werden wie sie sich selber orchestrieren.

00:33:05: also beispielsweise habe ich dann einen Agent der durch meine Knowledge Base geht und einen Agent macht nur meine Pias.

00:33:11: Diese Konzepte sind alle eigentlich schon seit längerer Zeit da und im Kleinen kann man das auch schon machen, aber der Aktionsrahmen wird immer größer und immer besser.

00:33:20: Und die Autonomie, die ich diesen Agent geben kann, wird immer

00:33:22: besser.".

00:33:23: Und das ist glaube ich das Spannende.

00:33:27: Und dann natürlich was wir irgendwie viel beobachten... Ich habe schon den Nachteil dass viele Systeme einfach nicht API-fähig sind oder generell nicht kontaktaufnahmefähig.

00:33:41: Da muss ich halt einen Fax reinschicken.

00:33:43: Und ich glaube jetzt mit Computer-Use, Browser-Uses wird das besser.

00:33:47: Das haben wir vor sechs Monaten gesagt, es wird noch ein bisschen dauern und dann funktioniert das.

00:33:51: Ich glaube das sehen wir jetzt weil... Dann kann ich eigentlich alles, was auf meiner Screen ist ja machen.

00:33:55: Jetzt versteht es alles.

00:33:56: Früher war's halt gefangen in dem Agent Space und jetzt läuft dann halt über meinen Computer und sagt er passt mal auf, ich hab jetzt ein Screenshot gemacht und by the way habe die App getestet und so funktioniert das jetzt.

00:34:06: Das ist glaube ich so.

00:34:07: beide Sachen zusammen, das sind für mich die spannendsten Sachen gerade.

00:34:11: Es gibt sicherlich noch viele andere Sachen, die da drunter liegen also wo die Welt hingehen, was ich persönlich am spannendsten finde, ist tatsächlich zu sagen okay Ich baue... Nicht nur one-person companies, sondern wirklich autonomous companies.

00:34:23: Also ich habe AI die sich selber orchestriert und eine Firma baut Und wenn man das durchdenkt, dann merken wir eigentlich wie cool Phosphor kompliziert.

00:34:29: Das ist wofür gehe ich Geld aus?

00:34:30: Welche Budgetentscheidung mache ich?

00:34:32: Wie viel investiere ich da?

00:34:33: Wann entscheide ich dass ich was mache oder wenn ich es nicht mache?

00:34:36: Manchmal auch gute Gründe machen einfach etwas und dann sehen Sie dreimal Jahre später ob sie richtig waren oder nicht.

00:34:41: Das muss sich jetzt im Agent auch beibringen.

00:34:43: Das sind super interessante Fragestellungen wo wir glaube ich noch eine gewisse Zeit in AI arbeiten werden um das besser zu verstehen aber auch tatsächlich zu bauen.

00:34:51: Sehr interessante Fragestellung auch für diesen Podcast.

00:34:53: Und ich kann nur sagen, dazu würde ich dir auch noch gerne sehr viele Fragen stellen.

00:34:57: aber wir sind jetzt langsam am Ende dieser Folge angekommen weil wir haben uns ja auch mal einen Zeitraum hierfür ganz offiziell gegeben.

00:35:04: die letzte Frage deshalb für diese Episode blickst du denn aktuell positiv oder negativ in die Zukunft?

00:35:11: Ich bin sehr positiv und fast verspannt was gerade passiert.

00:35:15: man muss natürlich aufpassen es gibt viele negative Szenarien.

00:35:20: Aber am Ende, ich kann ja nicht hingehen und sagen okay die Zukunft wird auf jeden Fall negativ sein oder der AI würde irgendwie alles kaputt machen.

00:35:25: Das ist ein mögliches Szenario.

00:35:27: aber es gibt auch fünfzehn weitere Szenariumen die sehr positiv sind wo AI in geschafft unsere Gesundheit zu verbessern das wir länger leben dass wir vielleicht nicht mehr ganz so viel Quatsch in der Arbeit machen müssen usw.

00:35:38: Ich glaube wenn ich jetzt historisch zurück schaue Die Welt ist ja immer besser geworden.

00:35:42: Ich weiß, dass jetzt Leute sagen die letzten drei Jahre waren alles schwierig und so weiter.

00:35:45: aber alle alle Indikatoren Armut ist untergegangen Kindersterblichkeit Alles ist eigentlich besser geworden über Zeit Und ich wüsste nicht in welchem Szenario auch immer warum das nicht eigentlich auch passieren sollte.

00:35:55: es wird gewisse Dellen geben und bestimmte leute werden damit Struggeln Dass der AI so schnell kommt.

00:35:59: im Großen und Ganzen wird das extrem positiv sein und ich glaube auch wir.

00:36:04: gerade Jetzt sind wir im deutschen Podcast.

00:36:07: Ich glaube, wir tun sehr gut daran in die Zukunft positiv zu schauen.

00:36:10: Klar, Deutschland hat eine gute Zeit und vielleicht gerade wenn man die Nachrichten schaut nicht alle Sachen laufen mega gut.

00:36:16: aber jetzt liegt es ja auch an uns das zu ändern.

00:36:18: Ja ich glaube dass jetzt positive Sachen sind, dass wir irgendwie ich glaube fünfzig Prozent mal Gründungen haben In Deutschland.

00:36:23: Jetzt kann es der Konsequenz darauf sein, dass die wirtschaftliche Situation nicht so gut ist Aber es ist doch geil.

00:36:29: also da werden jetzt wahnsinn viele Fauna Werden jetzt was bauen, viele davon werden nicht erfolgreich sein und paar davon werden erfolgreich sein.

00:36:35: Und tolle Firmen bauen und deswegen bin ich da sehr positiv und war von abgesehen ist unfassbar spannend.

00:36:42: Ich habe noch nie etwas Spannendes gemacht in meiner Karriere und ich glaube das wird auch ein paar jährchen so weiter gehen.

00:36:47: So finde ich es ja sehr positiv.

00:36:49: Ja und ich würde sagen, ich danke dir jetzt an der Stelle erstmal.

00:36:53: Jonas, dass du heute bei uns zu Gast gewesen bist für diese Einblicke und dann werden wir vielleicht ein paar Jahre noch mal sprechen wie sich das Ganze weiterentwickelt hat.

00:37:01: Gerne!

00:37:02: Dann habe mich sehr gefreut, dass es Spaß macht

00:37:05: Und falls ihr vielleicht T-Drehen Arbeit in Progress jetzt zum ersten Mal gehörte, diese ganzen offenen Fragen halt.

00:37:10: Diese Strenge die wir hier aufgemacht haben Zukunftsfragen von vielleicht rein KI geführten Companies bis hin zu.

00:37:18: was ist eigentlich auch mit dem Thema Nachhaltigkeit?

00:37:20: Was ist mit den Ressourcen und der Rechenleistung?

00:37:23: all das sind auch Fragen die wir im Podcast in den nächsten Episoden nach und nach beantworten werden.

00:37:28: und damit es nicht verpasst super easy.

00:37:30: klickt ja auf.

00:37:30: abonnieren ist kostenlos passiert euch nichts und ihr verpasste kein Wissen.

00:37:34: hervorragend.

00:37:35: Und ansonsten würde ich sagen, nächste Woche ist jetzt dann tatsächlich Franzi von Campus zu Gast!

00:37:40: Wir werden nämlich über Kommunikation und künstliche Intelligenz sprechen.

00:37:44: was verändert sich da?

00:37:45: Wie sollten wir kommunizieren dass wir KI nutzen?

00:37:48: Schaltet auf jeden Fall ein und Feedback für diese Episode vielleicht auch welche Fragen euch noch interessiert hätten oder ob ihr dafür seid das diese Folgen länger dauern gehen an.

00:37:56: podcast at tdran.de.

00:37:58: Ich danke euch und sage auf Wiederhören.